Google lança Gemini 3.1 Flash Live para agentes de voz com IA e conversa multimodal

Em 26 de março de 2026, o Google abriu o acesso em preview ao Gemini 3.1 Flash Live, novo modelo para agentes de voz com IA em tempo real. A aposta é eliminar a latência desnecessária na conversa, entender melhor a entonação e trabalhar ao mesmo tempo não só com áudio, mas também com vídeo, texto e ferramentas externas.

Por que isso importa

O principal problema das antigas cadeias de voz não era a qualidade das respostas, e sim as pausas entre as falas. Primeiro o sistema esperava o silêncio, depois convertia a fala em texto, enviava a consulta a um LLM e só então sintetizava a voz. O Google ataca essa cadeia diretamente e leva o processamento de áudio para dentro do próprio modelo.

O Gemini 3.1 Flash Live trabalha diretamente com nuances acústicas, e não apenas por meio de uma transcrição, então a conversa deve soar mais próxima do ritmo humano normal.

O Google dá ênfase especial ao desempenho em ambientes ruidosos. O modelo separa melhor a fala útil de sons de fundo, como trânsito, TV ou conversas por perto, e reconhece com mais precisão a entonação, o ritmo e os sinais emocionais do interlocutor. Em cenários corporativos, isso importa tanto quanto a velocidade: o agente de voz não deve apenas responder, mas perceber que o usuário está irritado, confuso ou interrompeu o sistema no meio da frase. Para assistentes móveis e centrais de atendimento, é uma das atualizações mais práticas da linha Gemini.

O que a Live API faz

Do ponto de vista técnico, o Google oferece aos desenvolvedores uma interface de streaming bidirecional e com estado sobre WebSockets. Não é uma API REST comum, com requisições e respostas separadas, mas uma conexão persistente em que cliente e modelo trocam dados nos dois sentidos. Assim, o agente pode ouvir o usuário, olhar o contexto visual recebido, chamar ferramentas e devolver de imediato uma resposta falada.

Há também barge-in: se a pessoa interrompe o modelo, o sistema pode parar a geração de áudio e aceitar a nova fala sem travamentos perceptíveis.

• Áudio de entrada: PCM bruto de 16 bits, 16 kHz, little-endian
• Áudio de saída: PCM bruto, sem etapa separada de TTS
• Contexto visual: quadros JPEG ou PNG a cerca de 1 FPS
• Ferramentas: function calling, tool use, gerenciamento de sessões longas e ephemeral tokens

Segundo o Google, o modelo marcou 90,8% no ComplexFuncBench Audio, benchmark de chamadas de função em várias etapas por áudio. No Audio MultiChallenge, da Scale AI, ele obtém 36,1% com o modo thinking ativado; o teste avalia instruções complexas, raciocínio de longo horizonte e as pausas e interrupções típicas da fala real.

Outro detalhe prático é o suporte a mais de 90 idiomas na comunicação multimodal em tempo real. Ou seja, o Google promove o Flash Live não como uma demo para conversas bonitas, mas como camada básica para cenários de produção.

Onde o modelo pode ser útil

O Google já mostra casos aplicados, e não cenários promocionais abstratos. No Stitch, é possível discutir design por voz: o agente vê a tela de trabalho e as telas selecionadas, comenta as decisões e sugere variações. O dispositivo Ato, voltado a idosos, usa a capacidade multilíngue do modelo para transformar conversas diárias em uma comunicação mais natural. Já a equipe da Weekend usa o Flash Live em um formato de RPG em que o mestre de IA precisa não só responder rápido, mas manter personalidade, ritmo e atuação teatral sem falhas entre as falas.

O Google também não deixa o modelo restrito ao AI Studio. Para desenvolvedores, ele está disponível em preview pela Gemini Live API; para cenários corporativos, no Gemini Enterprise for Customer Experience; e, para usuários comuns, já está sendo integrado ao Gemini Live e ao Search Live. A empresa afirma que, no Gemini Live, as respostas ficaram mais rápidas e o fio da conversa se mantém por cerca do dobro do tempo de antes. Em paralelo, o Search Live chega a mais de 200 países e territórios. O Google marca todo o áudio gerado com a marca d'água SynthID, para facilitar a detecção de vozes de IA.

O que isso significa

O Google tenta ocupar a camada em que a IA se comunica não por mensagens, mas por diálogo contínuo, e age de imediato por meio de ferramentas. Se o Flash Live realmente mantiver em produção a baixa latência, a robustez a ruído e a qualidade do function calling, o mercado de agentes de voz deve passar rapidamente de simples "chatbots falantes" para sistemas que podem ser integrados a suporte, interfaces, busca e assistentes do dia a dia.