Gemini Live 語音互動實戰：建一個會聽會說的客服

Gemini Live 是 Google 在 2024 年下半年推出的即時語音互動 API。讓您能建一個「能聽會說、即時對話」的 AI 客服。這篇是實戰教學。

什麼是 Gemini Live？

傳統的「語音 AI」流程是：語音 → STT 文字 → LLM → TTS 語音，三段串接延遲大、體驗差。

Gemini Live 是原生語音端到端模型：

• 直接接收語音輸入
• 直接輸出語音
• 支援打斷（用戶說話時 AI 會停）
• 能感知情緒（慢、急、生氣）
• 延遲 < 600ms（接近真人對話）

適用場景

• 即時客服電話自動接聽
• 外語會話練習
• 無障礙 UI（視障使用者）
• 駕駛中語音助理
• 醫療診間記錄

不適合的場景

• 正式法律 / 醫療諮詢（必須人工）
• 情緒性客訴（需要真人安撫）
• 網路品質差的環境（會卡）

技術實作

Gemini Live 用 WebSocket 連線，跟一般 REST API 不同。

// JavaScript / Web 端
const session = await client.live.connect({
  model: 'gemini-2.5-flash-live',
  config: {
    responseModalities: ['AUDIO'],
    systemInstruction: '你是客服 Andy，回答簡短、友善，必要時轉接人工'
  }
});

// 傳送麥克風音訊
session.sendAudio(audioChunk);

// 接收 AI 回應
session.on('audio', (audioData) => {
  playAudio(audioData);
});

// 用戶說話時打斷 AI
session.on('userSpeaking', () => {
  session.interrupt();
});

整合 LINE

LINE 不支援即時語音 API，所以 Gemini Live 在 LINE 上的應用是「異步」：

1. 用戶傳語音訊息
2. Webhook 接到 LINE 語音檔
3. 用 Gemini Live API 處理 + 生成語音回應
4. 用 LINE Messaging API 回傳語音訊息

整合 Web Call Center

正式的客服電話線整合，需要 SIP/RTP 通訊協定：

1. 客戶撥打公司客服電話
2. PBX 路由到 SIP 閘道（如 Twilio、Vonage）
3. 閘道把音訊串流到後端
4. 後端橋接 Gemini Live WebSocket
5. Gemini Live 回應再串回客戶端

典型部署成本：建置 NT$300K–800K、月維運 NT$30–80K（含 SIP 線路費）。

延遲優化技巧

1. 用 Gemini Flash Live 而非 Pro Live
2. 限制 System Instruction 長度
3. 關閉不需要的 modality（純語音不要回文字）
4. 用 PCM 音訊格式（不是 mp3）
5. 地理位置靠近 Google 機房（亞洲用 asia-east1）

常見問題

• 聲音不夠擬人？選 Aoede、Charon、Fenrir 等不同語音模型試
• 中文發音怪？2026 中文支援已改善，但情緒詞仍偶有不自然
• 打斷不靈敏？調 VAD（語音活動偵測）門檻
• 成本失控？限制單次對話時長、設立每日上限

注意事項

1. 明確告知是 AI：開場白必須說「您好，我是 AI 客服」（避免欺騙）
2. 提供轉人工選項：用戶說「轉人工」立即轉
3. 錄音通知：依個資法告知對話被錄音
4. 緊急情況處理：偵測到關鍵字（自殺、暴力）立即轉真人