Google опубликовал лучшие практики для Gemini Live API — платформы для real-time голосовых приложений.

Главные инсайды:

• Latency. Целевая задержка — <1 секунда. Если дольше — пользователь вешает трубку. Gemini 2.5 Flash Native Audio даёт ~600-800ms. • Interruption handling. Пользователь может перебить бота. Нужно уметь останавливать речь, обрабатывать новое сообщение, продолжать диалог. • Multi-turn quality. Новая модель лучше держит контекст в длинных диалогах. Критично для колл-центров, где звонок может длиться 10-15 минут. • Emotion detection. Gemini умеет определять эмоции по голосу. Можно маршрутизировать раздражённых клиентов сразу на оператора.

…что это значит?

Голосовые боты становятся «живыми». Разница между ИИ и человеком сокращается с каждым месяцем.