Puhu puheassistentille, odota pari sekuntia, kuuntele robottimaiselta kuulostava vastaus. Tämä on ollut puheassistenttien perusongelma vuosikymmenen ajan. Google väittää nyt ratkaisseensa sen.

Gemini 3.1 Flash Live julkaistiin 26. maaliskuuta 2026, ja se on Googlen mukaan heidän "laadukkain ääni- ja puhemallinsa". Malli on saatavilla kehittäjille Google AI Studion kautta, kuluttajille Gemini Live- ja Search Live -palveluissa sekä yrityksille asiakaspalvelukäyttöön.

Perinteinen puheassistentti toimii kuin huonosti organisoitu liukuhihna. Ensin ääni tunnistetaan puheeksi (VAD), sitten se muunnetaan tekstiksi (STT), teksti lähetetään kielimallille (LLM), kielimalli tuottaa tekstivastauksen ja lopuksi erillinen malli muuntaa tekstin puheeksi (TTS). Jokainen vaihe lisää viivettä. Ja jokaisessa vaiheessa menetetään jotain: sävyä, painotuksia, tunnetilaa.

Tätä kutsutaan "wait-time stackiksi". Siihen mennessä kun tekoäly avaa suunsa, käyttäjä on jo unohtanut mitä kysyi.

Gemini 3.1 Flash Live romuttaa tämän ongelman. Se käsittelee ääntä natiivisti, suoraan äänestä ääneen, ilman erillistä transkriptiovaihetta. Malli ei lue tekstitulkintaa puheestasi vaan kuulee sinut -- sävyn, tempon ja painotukset mukaan lukien.

Kolme ominaisuutta erottaa Flash Liven edeltäjistään.

Ensinnäkin malli ymmärtää miltä puhe kuulostaa, ei pelkästään mitä sanat tarkoittavat. Se tunnistaa käyttäjän turhautumisen, hämmennyksen tai innostuksen äänen perusteella ja mukauttaa vastaustaan sen mukaan. Googlen sisäisten testien mukaan malli on merkittävästi parempi sävyn ja tempon tunnistamisessa kuin edeltäjänsä 2.5 Flash Native Audio.

Toiseksi malli toimii oikeassa maailmassa. Testeissä joissa taustalla kuului liikennettä, televisio-ohjelmia tai kahvilahälinää, Flash Live erotti puheen taustamelusta selvästi paremmin kuin aiemmat mallit. Tämä on ratkaiseva ominaisuus puhelimessa käytettävälle assistentille jota ei käytetä hiljaisessa toimistossa.

Kolmanneksi malli tukee "barge-in"-toimintoa: voit keskeyttää tekoälyn kesken lauseen, ja se lopettaa välittömästi ja kuuntelee. Tämä kuulostaa pieneltä yksityiskohdalta, mutta käytännössä se muuttaa kokemusta merkittävästi. Normaali keskustelu sisältää jatkuvasti keskeytyksiä, tarkennuksia ja suunnanmuutoksia. Ilman barge-inia puheassistentti pakottaa sinut odottamaan vuoroasi kuin puhelinkonferenssissa jossa mykistysnappi on jumissa.

ComplexFuncBench Audio -testissä, joka mittaa kykyä suorittaa monivaiheisia tehtäviä pelkän äänikäskyn perusteella, Flash Live sai 90,8 prosenttia. Käytännössä tämä tarkoittaa, että voit pyytää äänellä "etsi viime kuun laskut jotka ylittävät 500 euroa ja lähetä ne sähköpostilla kirjanpitäjälle" ja malli ymmärtää koko ketjun.

Pelkän äänen lisäksi Flash Live käsittelee myös livekuvaa. Käytännössä tämä tarkoittaa, että voit avata puhelimesi kameran, osoittaa sitä kohti jotain ja keskustella tekoälyn kanssa siitä mitä kamera näkee reaaliajassa.

Olennaista on, että kuva ja ääni kulkevat samaan aikaan samassa sessiossa. Et ota ensin kuvaa, lähetä sitä ja odota vastausta. Keskustelet ja näytät samanaikaisesti, kuten tekisit ihmisen kanssa videopuhelussa.

Live API tukee videostriimejä noin yhden kuvan sekunnissa (JPEG tai PNG). Kehittäjät voivat rakentaa sovelluksia joissa tekoäly seuraa reaaliaikaista kuvavirtaa ja kommentoi sitä samalla kun keskustelee käyttäjän kanssa äänellä. Stitch-niminen sovellus käyttää tätä jo: suunnittelija voi puhua agentille ja näyttää samalla ruudullaan olevaa designia, ja agentti antaa palautetta siitä mitä näkee.

Ato-niminen laite käyttää samaa ominaisuutta toisessa kontekstissa: se on ikäihmisille suunniteltu AI-kumppani, joka käy päivittäisiä keskusteluja käyttäjänsä kanssa. Flash Liven monikielisyys tekee siitä toimivan myös pienemmillä kielialueilla.

Weekend-tiimi puolestaan integrointi Flash Liven roolipeliin: tekoäly toimii Game Masterina joka reagoi pelaajien puheeseen ja mukauttaa tarinaa reaaliajassa. Mallin kyky ylläpitää luonteenpiirteitä ja tunnelmaa pitkissä keskusteluissa tekee tämänkaltaisista sovelluksista ensimmäistä kertaa uskottavia.

Yhdistelmä on vaikuttava: puhut, näytät ja kuuntelet samassa luontevassa vuorovaikutuksessa.

Kehittäjien kannalta kiinnostavin uutuus on Multimodal Live API. Se on WebSocket-pohjainen (WSS), tilallinen ja kaksisuuntainen streaming-rajapinta -- ei perinteinen pyyntö-vastaus-malli.

Käytännössä tämä tarkoittaa jatkuvaa yhteyttä jossa data virtaa molempiin suuntiin samanaikaisesti. Kehittäjä lähettää raakaa 16-bittistä PCM-audiota (16 kHz) ja vastaanottaa raakaa PCM-audiota takaisin, ilman erillisen TTS-vaiheen viivettä.

Uusi thinkingLevel-parametri antaa kehittäjälle kontrollin nopeuden ja tarkkuuden välillä:

Konteksti-ikkuna on 128K tokenia, mikä mahdollistaa pitkät keskustelut ja laajat työkalumäärittelyt. Googlen mukaan Gemini Live pystyy nyt seuraamaan keskustelun juonta kaksi kertaa pidempään kuin aiemmin.

Google on myös julkaissut gemini-skills -repon, joka sisältää dokumentaatiota jonka voi syöttää koodausagentille. Heidän mukaansa oikean "skillin" lisääminen nosti koodigeneroinnin tarkkuuden 87 prosenttiin Gemini 3 Flashilla ja 96 prosenttiin Gemini 3 Prolla.

Flash Live integroituu laajasti Googlen ekosysteemiin:

Gemini Live (Android ja iOS) saa nopeammat vastaukset, vähemmän kiusallisia taukoja ja kyvyn mukauttaa vastausten pituutta ja sävyä tilanteen mukaan. Tämä on se versio jota useimmat kuluttajat kohtaavat ensimmäisenä.

Search Live laajenee samalla yli 200 maahan. Se yhdistää äänihaun ja kameran: voit kysyä Googlelta puhumalla ja samalla näyttää kameralla mitä tarkoitat. Tähän asti tämä toimi vain Yhdysvalloissa ja muutamassa muussa maassa.

Yrityskäytössä Home Depot, Verizon ja muut testaavat mallia asiakaspalvelussa. Gemini Enterprise for Customer Experience tarjoaa puheagentin rakennuspalikat yrityksille jotka haluavat korvata perinteiset puhelinvalikot todellisella keskustelulla.

Yksi huomionarvoinen yksityiskohta: kaikki Flash Liven generoima audio sisältää SynthID-vesileiman. Se on ihmiskorvalle täysin huomaamaton mutta koneellisesti tunnistettavissa.

Tämä on tärkeää juuri nyt. Kun tekoälyn generoima puhe alkaa kuulostaa ihmiseltä, deepfake-riski kasvaa.

Google tekee vesileimasta pakollisen, ei valinnaisen. Kaikki API:n kautta generoitu ääni leimataan automaattisesti. Se ei estä väärinkäyttöä kokonaan -- kukaan ei estä nauhoittamasta ja muokkaamasta ääntä muilla työkaluilla -- mutta se antaa alustoille ja tutkijoille työkalun tunnistaa tekoälypuhe jälkikäteen. Se on askel oikeaan suuntaan, ja todennäköisesti standardi jota muidenkin odotetaan seuraavan.

Gemini 3.1 Flash Live siirtää äänipohjaiset tekoälyagentit prototyyppivaiheesta lähemmäs tuotantokäyttöä. Matala viive, melunsietokyky ja monivaiheinen päättely ovat ne ominaisuudet joita oikeat sovellukset tarvitsevat.

Suomalaisille yrityksille tässä on konkreettinen mahdollisuus. Monikielinen asiakaspalvelu, jossa asiakas puhuu omalla kielellään ja saa luonnollisen kuuloisen vastauksen reaaliajassa, ei ole enää scifi. Se on API-kutsu. Samoin huolto- ja kenttätyö jossa teknikko voi näyttää kameralla ongelmaa ja saada ohjeita puhumalla -- ilman että tarvitsee kirjoittaa mitään tai etsiä manuaalia.

Mutta suunta on selvä. OpenAI:n Advanced Voice Mode avasi tämän kilpailun, ElevenLabs on hallinnut puhesynteesiä ja nyt Google tulee mukaan natiivilla multimodaalisella mallilla joka yhdistää äänen, kuvan ja työkalujen käytön samaan pakettiin. Puheesta tulee tekoälyn ensisijainen käyttöliittymä, ja Flash Live on Googlen paras yritys tehdä siitä sellainen joka oikeasti toimii.

Lähteet: Google Blog: Gemini 3.1 Flash Live, Google Developers Blog: Build with Gemini 3.1 Flash Live, Google DeepMind Model Card, Ars Technica, 9to5Google