Google lance Gemini 3.1 Flash Live pour les agents vocaux IA et le dialogue multimodal

Le 26 mars 2026, Google a ouvert l'accès en preview à Gemini 3.1 Flash Live, un nouveau modèle pour agents vocaux IA en temps réel. L'objectif : supprimer la latence superflue dans la conversation, mieux saisir l'intonation et travailler d'emblée non seulement avec l'audio, mais aussi avec la vidéo, le texte et des outils externes.

Pourquoi c'est important

Le principal problème des anciennes chaînes vocales n'était pas la qualité des réponses, mais les pauses entre les répliques. Le système attendait d'abord le silence, puis convertissait la parole en texte, envoyait la requête à un LLM et ne synthétisait la voix qu'ensuite. Google s'attaque directement à cette chaîne et déplace le traitement audio à l'intérieur du modèle lui-même.

Gemini 3.1 Flash Live exploite directement les nuances acoustiques, et pas seulement une transcription : la conversation devrait donc se rapprocher du rythme humain habituel.

Google insiste particulièrement sur le fonctionnement en environnement bruyant. Le modèle sépare mieux la parole utile des bruits de fond, comme la circulation, la télévision ou les conversations voisines, et reconnaît plus précisément l'intonation, le rythme et les signaux émotionnels de l'interlocuteur. Dans les scénarios d'entreprise, cela compte autant que la vitesse : un agent vocal ne doit pas seulement répondre, mais comprendre que l'utilisateur est agacé, perdu ou a coupé le système au milieu d'une phrase. Pour les assistants mobiles et les centres de contact, c'est l'une des mises à jour les plus pratiques de la gamme Gemini.

Ce que sait faire la Live API

Sur le plan technique, Google offre aux développeurs une interface de streaming bidirectionnelle et avec état, au-dessus de WebSockets. Ce n'est pas une API REST classique avec requêtes et réponses distinctes, mais une connexion permanente où le client et le modèle échangent des données dans les deux sens. L'agent peut ainsi écouter l'utilisateur, observer le contexte visuel entrant, appeler des outils et renvoyer aussitôt une réponse vocale.

Le barge-in est également pris en charge : si la personne interrompt le modèle, le système peut arrêter la génération audio et accepter la nouvelle réplique sans blocage notable.

• Audio en entrée : PCM brut 16 bits, 16 kHz, little-endian
• Audio en sortie : PCM brut, sans étape TTS distincte
• Contexte visuel : images JPEG ou PNG à environ 1 FPS
• Outils : function calling, tool use, gestion des sessions longues et ephemeral tokens

Selon Google, le modèle a obtenu 90,8 % sur ComplexFuncBench Audio, un benchmark d'appel de fonctions en plusieurs étapes par l'audio. Sur Audio MultiChallenge de Scale AI, il atteint 36,1 % avec le mode thinking activé ; ce test évalue des instructions complexes, le raisonnement à long horizon ainsi que les pauses et interruptions typiques de la parole vivante.

Autre détail pratique : la prise en charge de plus de 90 langues pour la communication multimodale en temps réel. Autrement dit, Google présente Flash Live non comme une démo pour de belles conversations, mais comme une couche de base pour des scénarios de production.

Où le modèle peut servir

Google montre déjà des cas concrets plutôt que des scénarios promotionnels abstraits. Dans Stitch, on peut discuter de design à la voix : l'agent voit le canevas et les écrans sélectionnés, commente les choix et propose des variantes. L'appareil Ato, destiné aux personnes âgées, s'appuie sur le multilinguisme du modèle pour rendre les conversations quotidiennes plus naturelles. Quant à l'équipe de Weekend, elle utilise Flash Live pour un format de jeu de rôle où l'animateur IA doit non seulement répondre vite, mais aussi tenir son personnage, son rythme et sa théâtralité sans rupture entre les répliques.

Google ne cantonne pas non plus le modèle à AI Studio. Pour les développeurs, il est disponible en preview via la Gemini Live API ; pour les usages en entreprise, dans Gemini Enterprise for Customer Experience ; et pour le grand public, il est déjà intégré à Gemini Live et à Search Live. L'entreprise affirme que, dans Gemini Live, les réponses sont plus rapides et que le fil de la conversation est conservé environ deux fois plus longtemps qu'auparavant. Parallèlement, Search Live s'étend à plus de 200 pays et territoires. Google appose sur tout l'audio généré un filigrane SynthID afin de faciliter la détection des voix IA.

Ce que cela signifie

Google cherche à occuper la couche où l'IA communique non par messages, mais par un dialogue continu, et agit aussitôt via des outils. Si Flash Live conserve réellement en production sa faible latence, sa robustesse au bruit et la qualité de son function calling, le marché des agents vocaux passera vite des simples « chatbots parlants » à des systèmes intégrables dans le support, les interfaces, la recherche et les assistants du quotidien.