결론부터 — 어떤 모델이고 뭐가 달라졌나

Gemini 3.1 Flash Live는 구글이 2026년 3월 26일 공개한 실시간 음성 AI 모델입니다. 공식 모델 ID는 gemini-3.1-flash-live-preview이고, Gemini Live API 위에서 동작하는 스트리밍 전용 모델입니다.

이전 모델인 Gemini 2.5 Flash Native Audio와 비교했을 때 눈에 띄는 변화가 두 가지 있습니다. 다단계 함수 호출 능력을 평가하는 ComplexFuncBench Audio 벤치마크에서 90.8%를 기록하며 1위를 차지했고 (출처: Google 공식 블로그, 2026.03.26), 출력 토큰 한도가 8,192에서 65,536으로 8배 늘었습니다 (출처: Google AI Dev 공식 문서). 8배 늘었다는 건, 한 번의 음성 응답에서 훨씬 긴 문장을 자연스럽게 뽑아낼 수 있다는 뜻입니다.

그런데 이 모델이 진짜 좋아졌는지 판단하려면 성능 수치보다 제약 조건을 먼저 봐야 합니다. 공식 문서를 뒤지다 보면, 대부분의 소개 글에 없는 내용들이 나옵니다.

▲ 목차로 돌아가기

오디오 세션 15분 한도 — 공식 문서에 직접 나옵니다

대부분의 소개 글에서 빠져 있는 내용인데, Gemini Live API의 공식 Capabilities 문서에는 세션 한도가 명확하게 적혀 있습니다.

(출처: Google AI Dev Live API Capabilities 공식 문서, 2026.03.26 확인)

오디오 전용이어도 15분이 한도입니다. 이 숫자가 왜 중요하냐면, 고객 상담 봇이나 영어 회화 서비스처럼 긴 대화를 전제로 설계하려는 경우, 세션 관리 로직을 처음부터 다르게 짜야 한다는 뜻이기 때문입니다.

15분 이상 대화를 지속하려면 구글이 공식 문서에서 “Session Management & Resumption”이라고 부르는 별도 패턴을 구현해야 합니다. 단순히 세션을 재연결하는 것과 달리, 이전 대화 맥락을 어떻게 넘겨줄지 설계가 필요합니다. 이 부분은 공식 문서에서 별도 이유를 밝히지 않았습니다만, 인프라 리소스 관리와 관련된 기술적 한계로 보입니다.

▲ 목차로 돌아가기

분당 요금으로 계산해 봤습니다 — 10분 대화가 얼마냐면

Gemini API 공식 가격 문서(출처: ai.google.dev/gemini-api/docs/pricing, 2026.03.26 기준)에는 Gemini 3.1 Flash Live의 요금이 토큰 단위와 분 단위 두 가지로 함께 나옵니다. 분 단위 요금이 있다는 게 특이한데, 음성 서비스 특성상 실제 운영 비용을 토큰으로 추정하기 어려운 점을 반영한 것으로 보입니다.

분 단위 요금을 그대로 더해 보면, 오디오가 양방향으로 계속 흐르는 세션에서 1분당 비용은 다음과 같습니다.

10분 대화에 330원 정도. 얼핏 싸 보이지만 여기에 Google Search 그라운딩을 더하면 달라집니다. 공식 가격 문서에 따르면, 월 5,000회 무료 쿼리를 다 쓴 이후 검색 1회당 $0.014가 붙습니다. 한 번의 대화에서 AI가 5회 검색을 한다고 가정하면 1회 통화당 약 $0.07이 추가됩니다. 그라운딩을 적극 쓰는 서비스라면 이 부분이 전체 비용에서 꽤 큰 비중을 차지할 수 있습니다.

▲ 목차로 돌아가기

2.5에서 사라진 기능 3가지 — 업그레이드인데 못 쓰는 게 생깁니다

Gemini 3.1 Flash Live로 넘어가면 당연히 2.5보다 좋아질 거라고 생각하게 됩니다. 벤치마크도 올랐고 출력 토큰도 늘었으니까요. 그런데 Google 공식 Migration 가이드를 보면 2.5에서만 되는 기능이 아직 세 가지 남아 있습니다. (출처: Google AI Dev Live API 공식 Capabilities 문서, 2026.03.26 확인)

이 중에서 실무적으로 가장 아픈 건 비동기 함수 호출 미지원입니다. 2.5에서는 AI가 말을 이어가면서 백그라운드에서 동시에 외부 API를 호출할 수 있었습니다. 3.1에서는 함수 호출이 동기 방식만 됩니다. AI가 도구 응답을 받을 때까지 아무 말도 못 하고 기다립니다. 빠른 응답이 생명인 음성 UX에서 이 차이는 꽤 크게 느껴집니다.

▲ 목차로 돌아가기

비디오 스트리밍의 과금 함정 — 기본값이 달라졌습니다

Gemini 3.1 Flash Live에서 가장 조용하게, 그리고 실제로 비용에 영향이 큰 변화가 하나 있습니다. 바로 Turn Coverage 기본값입니다.

Gemini 2.5에서 기본값은 TURN_INCLUDES_ONLY_ACTIVITY였습니다. 즉, 음성 활동이 감지될 때만 처리했습니다. 그런데 3.1에서 기본값이 TURN_INCLUDES_AUDIO_ACTIVITY_AND_ALL_VIDEO로 바뀌었습니다. 비디오 스트림을 켜 놓으면, 말이 없어도 비디오 프레임이 계속 처리됩니다.

공식 문서에는 “비디오를 조심해서 스트리밍하라(stream video cautiously)”라는 표현이 들어가 있습니다. 기능이 없어진 게 아니라, 쓰는 방식에 따라 요금이 예상보다 높게 나올 수 있다는 경고입니다. 처음 설계할 때 비디오를 항상 켜는 구조보다, 필요할 때만 보내는 구조가 비용 관리에 훨씬 유리합니다.

▲ 목차로 돌아가기

지금 시작하기에 맞는 구조와 맞지 않는 구조

공식 문서를 정리하면, Gemini 3.1 Flash Live가 잘 맞는 상황과 아직 무리인 상황이 꽤 명확하게 나뉩니다. (출처: Google AI Dev 공식 문서, 2026.03.26)

✅ 지금 시작해도 좋은 상황

처음부터 새로 음성 에이전트를 만드는 경우라면 3.1을 기준으로 설계하는 게 맞습니다. 2.5보다 출력 토큰이 8배 넓고, 툴 호출도 지원하며, 다국어 70개 언어를 기본으로 씁니다. 빠른 레이턴시와 자연스러운 대화 흐름에서 전작보다 개선됐다는 게 공식 입장입니다.

브라우저에서 직접 연결이 필요하다면, 백엔드에서 임시 토큰(Ephemeral Token)을 발급해 클라이언트에 넘기는 방식을 씁니다. API 키를 프론트에 노출하지 않아도 되는 구조로, 공식 문서가 이 방식을 권장합니다.

❌ 아직 3.1로 가기 어려운 상황

기존 2.5 기반 서비스에서 비동기 툴 호출을 활용하고 있다면, 3.1로 올리면 UX가 나빠집니다. AI가 말하면서 동시에 외부 데이터를 불러오던 흐름이 끊깁니다. 또 실시간 음성 합성 자체가 목적이고 대화 맥락이 필요 없는 경우라면, Live API보다 구글의 TTS 모델이 더 단순하고 비쌉니다. Live API는 대화 지능이 필요할 때 쓰는 구조입니다.

▲ 목차로 돌아가기

Q&A 5가지

▲ 목차로 돌아가기

마치며

Gemini 3.1 Flash Live는 실시간 음성 AI 분야에서 현재 가장 주목할 만한 모델입니다. ComplexFuncBench Audio 90.8%, 출력 토큰 8배 확대, 70개 언어 지원. 수치는 인상적입니다.

그런데 공식 문서를 직접 읽어보면 주의해야 할 지점이 보입니다. 오디오 세션은 최대 15분이고, 비디오를 켜면 2분입니다. 비동기 툴 호출은 아직 안 됩니다. 비디오 과금 기본값이 바뀌었습니다. 이 내용들은 발표 보도자료에는 잘 안 나옵니다.

솔직히 말하면, 지금 당장 새로 음성 에이전트를 만든다면 3.1로 시작하는 게 맞습니다. 하지만 기존 2.5 서비스를 올릴 때는 위에서 정리한 제약 조건을 먼저 체크하고 결정하는 게 낫습니다. 업그레이드인데 특정 기능이 퇴보하는 경험은 꽤 피곤합니다.

프리뷰 모델이라 앞으로 바뀔 가능성도 높습니다. 비동기 툴 호출이나 어펙티브 다이얼로그가 언제 추가될지는 아직 공개되지 않았습니다.

📚 본 포스팅 참고 자료

1. 구글 공식 블로그 — 제미나이 3.1 플래시 라이브 출시 공고 (blog.google, 2026.03.26)
2. Google DeepMind 모델 카드 — Gemini 3.1 Flash Live (deepmind.google, 2026.03.26)
3. Google AI Dev — Gemini API 공식 가격 문서 (ai.google.dev, 2026.03.26 기준)
4. Google AI Dev — Live API 공식 문서 (Capabilities, Session Management) (ai.google.dev)