La inteligencia artificial de voz en tiempo real avanza hacia interacciones más naturales y de baja latencia.
- 30/03/2026
- Internacional
Google presenta Gemini 3.1 Flash Live
El nuevo modelo multimodal Gemini 3.1 Flash Live introduce una arquitectura capaz de procesar audio, video y llamadas a herramientas en tiempo real, reduciendo la latencia característica de los sistemas tradicionales de inteligencia artificial conversacional. El desarrollo representa un paso relevante hacia agentes de IA con interacción continua y mayor capacidad de razonamiento operativo.
Informe periodístico
La evolución de los modelos de inteligencia artificial orientados a la interacción conversacional continúa avanzando hacia sistemas capaces de procesar información en tiempo real. En este contexto, Google anunció Gemini 3.1 Flash Live, un modelo multimodal diseñado para facilitar interacciones de voz más fluidas, naturales y con menor latencia en comparación con arquitecturas anteriores.
El sistema se encuentra disponible en versión preliminar para desarrolladores a través de la API Gemini Live dentro de Google AI Studio, con el objetivo de permitir la creación de agentes capaces de procesar simultáneamente audio, video y llamadas a herramientas digitales.
Una de las principales innovaciones consiste en el procesamiento nativo de audio, lo que elimina la secuencia tradicional de pasos en la interacción conversacional automatizada. En los modelos anteriores, el flujo implicaba detectar el habla, transcribirla a texto, procesarla mediante un modelo de lenguaje y posteriormente convertir la respuesta nuevamente en audio. Este proceso generaba demoras que afectaban la naturalidad de la conversación.
Gemini 3.1 Flash Live integra estas etapas en una arquitectura unificada que permite interpretar directamente los matices acústicos del lenguaje humano, incluyendo tono, ritmo y entonación, mejorando la capacidad de interacción en tiempo real.
Las pruebas realizadas por el equipo de investigación indican mejoras en la capacidad del modelo para distinguir el habla relevante incluso en entornos con ruido de fondo, como tráfico o conversaciones simultáneas. Este avance resulta particularmente relevante para aplicaciones en asistentes virtuales, atención al cliente automatizada y sistemas de interacción en dispositivos móviles.
Arquitectura multimodal y comunicación bidireccional
El modelo utiliza una API multimodal basada en transmisión bidireccional mediante WebSockets, lo que permite mantener una conexión continua entre el usuario y el sistema de inteligencia artificial.
Este enfoque facilita el envío simultáneo de distintos tipos de información, incluyendo:
- audio en formato PCM de 16 bits
- imágenes o fotogramas de video en formatos JPEG o PNG
- transcripciones y datos contextuales asociados a la interacción
El sistema también incorpora la capacidad de interrupción conversacional, lo que permite al usuario interrumpir la respuesta de la IA en tiempo real, reproduciendo dinámicas propias del diálogo humano.
Razonamiento agéntico y uso de herramientas
Gemini 3.1 Flash Live ha sido optimizado para ejecutar tareas complejas mediante llamadas a funciones externas activadas por voz. En pruebas comparativas orientadas a medir la capacidad de razonamiento en múltiples pasos, el modelo alcanzó un nivel de desempeño del 90,8 % en el benchmark ComplexFuncBench Audio, indicador que evalúa la capacidad de un agente para realizar acciones encadenadas basadas en instrucciones habladas.
Este tipo de capacidades permite que los agentes de inteligencia artificial no solo respondan preguntas, sino que ejecuten acciones concretas, como procesar información, enviar comunicaciones o interactuar con sistemas externos sin necesidad de intermediación textual.
Asimismo, el modelo incorpora un parámetro denominado thinkingLevel que permite a los desarrolladores ajustar la profundidad del razonamiento del sistema, equilibrando velocidad de respuesta y capacidad analítica según la complejidad de la tarea.
Implicancias tecnológicas
La evolución hacia arquitecturas multimodales de baja latencia constituye un paso relevante en el desarrollo de agentes inteligentes capaces de interactuar de manera continua con los usuarios.
La integración de audio, video y herramientas digitales en una misma arquitectura permite superar limitaciones de los modelos tradicionales basados en turnos, que procesaban cada solicitud de forma secuencial.
Este tipo de avances podría facilitar aplicaciones en sectores como atención al cliente, educación digital, automatización empresarial, interfaces conversacionales y asistentes personales inteligentes.
Conclusión informativa
El lanzamiento de Gemini 3.1 Flash Live confirma la tendencia hacia sistemas de inteligencia artificial capaces de interactuar en tiempo real con mayor naturalidad y precisión.
La combinación de procesamiento multimodal, comunicación bidireccional continua y capacidad de razonamiento agéntico posiciona a este tipo de modelos como una base tecnológica relevante para el desarrollo de nuevas generaciones de asistentes inteligentes.
El avance tecnológico plantea nuevas oportunidades para el diseño de interfaces conversacionales más eficientes, al tiempo que abre interrogantes sobre estándares de transparencia, seguridad y gobernanza en el uso de sistemas de inteligencia artificial en entornos interactivos.
