Google DeepMind、低遅延voice・vision agent向けGemini 3.1 Flash Liveを公開

Google DeepMindがXで述べた内容

2026年3月26日、Google DeepMindはGemini 3.1 Flash Liveをリアルタイムconversational agent向けモデルとして紹介した。X投稿では、より自然な会話と改善されたfunction callingを前面に出し、音声を聞き取り、その場で判断し、行動するassistant向けのaudio-first強化として位置づけている。

ここが重要なのは、リアルタイムagentが実際に躓きやすいのが、ユーザーが最も敏感に感じる部分だからだ。遅延、壊れたtool call、不自然なターン交代が重なると、モデルの賢さ以前に使いづらさが目立つ。GoogleはFlash Liveを単なる新endpointではなく、voice・vision agentの会話品質を引き上げる土台として示している。

Googleブログが補足した点

Googleによれば、Gemini 3.1 Flash LiveはGoogle AI StudioのGemini Live APIでpreview提供される。ブログはこのモデルを低遅延のvoice・vision agent向けと説明し、目立つ待ち時間なしに会話速度で応答することを重視している。

実務面では3つの改善が強調されている。第1に、noisyな実環境でも背景音をより的確に除去し、live session中の外部tool呼び出しを安定させることでtask completionを高めるという。第2に、長いやり取りでもinstruction followingとguardrail遵守を改善した。第3に、リアルタイムmultimodal会話で90超の言語を扱えるため、グローバル展開しやすい。

Googleはモデルの周辺APIも重視している。Gemini Live APIの資料では、tool use、function calling、長時間会話のためのsession management、ephemeral tokenなどを案内している。つまり今回の発表は単なるベンチマーク更新ではなく、本番向けvoice agentを実装するための開発面まで含んだ更新だ。

なぜ重要か

より大きな流れとして、agent競争の焦点は静的なprompt品質から、会話全体の体験品質へ移っている。noisy環境でも速く、tool実行が安定し、人間のテンポに近い応答を返せるモデルの方が実務で価値が高い。

Gemini 3.1 Flash Liveが説明どおりに機能するなら、顧客対応、現場支援、教育用途など、割り込みや周囲の雑音が前提になるワークフローで開発者に強い基盤を与える。だからこれは単なるモデル名更新以上の意味を持つ。

出典: Google DeepMind X投稿 · Googleブログ記事