Gemini 3.1 Flash Live API ガイド：リアルタイム音声・カメラ・画面共有エージェント

2026 年 8 月に Gemini 3.1 Flash Live が重要な理由

Google は 2026 年 3 月に Gemini Live API 経由で Gemini 3.1 Flash Live をローンチし、8 月時点で本番向け音声・ビジョンエージェントの推奨モデルとなっています。バッチ generateContent とは異なり、Live は 永続 WebSocket セッション を維持し、音声・ビデオフレーム・テキストを双方向ストリーミング — STT/TTS を別途用意せず、モデルが聞き・見て・話します。

2026 年 8 月の実務上の変化：

• 2.5 Flash Live は非推奨 — 新規は gemini-3.1-flash-live-preview へ。
• エコシステム成熟 — Stitch、Ato、Weekend RPG などカメラ対応エージェントが本番投入。
• Live API と Gemini 3.7 Flash の併用 — Live はサブ秒対話、3.7 Flash REST は深いコーディング推論（3.7 Flash 発表）。

アーキテクチャ：REST ではなく WebSocket セッション

Live API は ステートフル です。WSS で接続し、最初に BidiGenerateContentSetup、続けて BidiGenerateContentRealtimeInput をストリームします。

レイヤ	役割
トランスポート	ステートフル WSS
Setup	モデル ID、モダリティ、システム指示、ツール、VAD
リアルタイム入力	PCM チャンク、JPEG/PNG（≤1 FPS）、テキスト
出力	PCM 24 kHz、転写、ツール呼び出し

サーバー間 と クライアント直接 の 2 トポロジ。前者はログ・レート制限、後者は低遅延（エフェメラルトークン必須）。

音声：ネイティブ E2E スピーチ

方向	形式	レート
入力	16-bit PCM LE mono	16 kHz
出力	16-bit PCM LE	24 kHz 固定

Web Audio は float32 → PCM16 変換が必要。VAD でターンテイキング。Push-to-talk は activityStart/activityEnd を手動送信。

ビデオ：1 FPS カメラ・画面共有

JPEG/PNG フレームストリーム、最大 1 FPS。カメラ Q&A、画面共有によるコードレビュー・デザイン批評（Stitch）に対応。

コスト： デフォルト TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO — 発話中の全フレームが課金対象。常時画面送信時は発話検出時のみ送ると節約。

セッション制限

種別	上限	延長
音声のみ	15 分	セッション再開 + コンテキスト圧縮
音声+ビデオ	2 分	同上

ツール呼び出し

同期 function calling。Search grounding 対応。3.1 は NON_BLOCKING 非対応 — 順次実行のみ。

thinkingLevel と 90+ 言語

minimal（デフォルト）〜 high。90 以上の言語でリアルタイムマルチモーダル会話。

セキュリティ

API キーをクライアントに埋め込まない — エフェメラルトークン をバックエンドで発行。

2.5 からの移行

モデル ID 更新、thinkingBudget → thinkingLevel、send_realtime_input でテキスト、複数 part イベント処理、turnCoverage 見直し。

3.1 Live vs 3.7 Flash REST

	3.1 Live	3.7 REST
プロトコル	WebSocket	HTTP
用途	音声エージェント	コーディング・RAG

関連

• Gemini 3.7 Flash 発表
• Gemini Omni 8 月更新
• API 開発者ガイド
• Google Flow ガイド