你的 Agent 能听见你吗？用 Gemini 构建实时语音 Agent

Google DeepMind 开发者体验团队的 Thor Schaeff 现场演示 Gemini 实时与媒体模型：用 Gemini Live 配合快速图像模型 Nano Banana 构建插画故事，并通过有状态 Interactions API 在图像间保持角色与风格一致；观众扫码即可用 Gemini 3.5 Live Translate 以母语收听演讲；还演示了用 Lyria 3 按需生成 reggaeton 曲目的 AI 电台 DJ。他解释 Live API 是一个有状态 WebSocket 会话，接收文本、音频和视频并流式返回音频与转写，采用原生音频模型而非语音转文字加文字转语音的流水线，支持 90 种语言、打断、工具调用和 Google Search grounding，最后在 Google AI Studio 中演示语音与视觉能力。

AI推荐理由 Google DeepMind 开发者体验团队的 Thor Schaeff 现场演示 Gemini 实时与媒体模型：用 Gemini Live 与 Nano Banana 图像模型配合有状态 Interactions API 保持角色与风格一致，用 Gemini 3.5 Live Translate 做多语言实时翻译，用 Lyria 3 生成音乐。并说明 Live API 为有状态 WebSocket 会话，原生音频模型直接输入文本/音频/视频并流式返回音频与转写，支持 90 种语言、打断、工具调用与 Google Search grounding。信息密度高、含具体 API 机制与演示用途，但为会议演讲转述，未提供可独立验证的基准或效果数据。