新智元報(bào)道

　　編輯：YHluck

　　【新智元導(dǎo)讀】谷歌發(fā)布Gemini 2.5 Flash原生音頻模型，不僅能保留語(yǔ)調(diào)進(jìn)行實(shí)時(shí)語(yǔ)音翻譯，更讓AI在復(fù)雜指令和連續(xù)對(duì)話中像真人一樣自然流暢。這一更新標(biāo)志著AI從簡(jiǎn)單的「文本轉(zhuǎn)語(yǔ)音」跨越到了真正的「擬人化交互」時(shí)代。

　　想象這樣一個(gè)場(chǎng)景：

　　你戴著耳機(jī)走在印度孟買喧鬧的街頭，周圍是嘈雜的叫賣聲和完全聽不懂的印地語(yǔ)。

　　此時(shí)，一位當(dāng)?shù)卮笫寮贝掖业赜糜〉卣Z(yǔ)向你詢問(wèn)路線，他的語(yǔ)速很快，語(yǔ)氣焦急。

　　若是以前，你可能得手忙腳亂地掏出手機(jī)，打開翻譯App，按下按鈕，尷尬地把手機(jī)遞到他嘴邊，然后聽著手機(jī)里傳出毫無(wú)感情的「機(jī)翻」電子音。

　　Nano Banana Pro制圖

　　但現(xiàn)在，一切都變了。

　　你站在原地不動(dòng)，耳機(jī)里直接傳來(lái)了流利的中文：「嘿！朋友，麻煩問(wèn)一下，火車站是不是往這邊走？」

　　最絕的是，這句中文不僅意思準(zhǔn)確，甚至連大叔那種焦急、氣喘吁吁的語(yǔ)調(diào)都完美復(fù)刻了！

　　你用中文回答，耳機(jī)自動(dòng)把你的聲音轉(zhuǎn)化成印地語(yǔ)傳給對(duì)方，甚至保留了你熱情的語(yǔ)調(diào)。

　　這不僅是科幻電影里的《巴別塔》重現(xiàn)，這是谷歌本周剛剛?cè)酉碌闹匕酢负藦棥埂?strong>Gemini 2.5 Flash Native Audio（原生音頻模型）。

　　今天，我們就來(lái)扒一扒這次更新到底有多強(qiáng)。

　　所謂的「原生音頻」，到底強(qiáng)在哪？

　　很多人可能會(huì)問(wèn)：「現(xiàn)在的手機(jī)不都有朗讀功能嗎？這有啥稀奇的？」

　　這里有個(gè)巨大的誤區(qū)。

　　以前的AI語(yǔ)音交互，流程是這樣的：聽到聲音 -> 轉(zhuǎn)成文字 -> AI思考文字 -> 生成文字回復(fù) ->轉(zhuǎn)化成語(yǔ)音讀出來(lái)。

　　這個(gè)過(guò)程不僅慢，而且在「轉(zhuǎn)來(lái)轉(zhuǎn)去」的過(guò)程中，語(yǔ)氣、停頓、情感這些人類溝通中最微妙的東西，全都丟了。

　　而谷歌這次發(fā)布的Gemini 2.5 Flash Native Audio，核心就在「Native（原生）」這兩個(gè)字。

　　它不需要把聲音轉(zhuǎn)成文字再轉(zhuǎn)回來(lái)，它是直接聽、直接想、直接說(shuō)。

　　舉個(gè)栗子，這就好比你和一個(gè)老外聊天，以前你需要腦子里瘋狂查字典，現(xiàn)在你已經(jīng)形成了「語(yǔ)感」，脫口而出。

　　這次更新，谷歌不僅升級(jí)了Gemini 2.5 Pro和Flash的文本轉(zhuǎn)語(yǔ)音模型，帶來(lái)了更強(qiáng)的控制力。

　　更重要的是，它讓實(shí)時(shí)語(yǔ)音代理（Live Voice Agents）成真了。

　　這意味著什么？

　　意味著在Google AI Studio、Vertex AI，甚至是搜索（Search Live）里，你不再是和一個(gè)冷冰冰的機(jī)器對(duì)話，而是在和一個(gè)有「腦子」、有「耳朵」的智能體進(jìn)行實(shí)時(shí)頭腦風(fēng)暴。

　　耳機(jī)里的「同聲傳譯」

　　打破語(yǔ)言的巴別塔

　　這次更新中，最讓普通用戶感到興奮的，絕對(duì)是實(shí)時(shí)語(yǔ)音翻譯（Live Speech Translation）功能。

　　谷歌這次沒有畫餅，功能已經(jīng)開始在美國(guó)、墨西哥和印度的安卓設(shè)備上，通過(guò)Google翻譯App進(jìn)行Beta測(cè)試了（iOS用戶稍安勿躁，馬上就來(lái)）。

　　這個(gè)功能有兩個(gè)殺手锏，直擊痛點(diǎn)：

　　持續(xù)監(jiān)聽與雙向?qū)υ挘赫嬲摹笩o(wú)感」翻譯

　　以前用翻譯軟件，最煩的就是要不停地點(diǎn)「說(shuō)話」按鈕。

　　現(xiàn)在，Gemini支持持續(xù)監(jiān)聽。

　　你可以把手機(jī)揣兜里，戴上耳機(jī)，Gemini會(huì)自動(dòng)把你周圍聽到的多種語(yǔ)言，實(shí)時(shí)翻譯成你的母語(yǔ)。

　　這就相當(dāng)于隨身帶了個(gè)隱形翻譯官。

　　而在雙向?qū)υ?/strong>模式下，它更聰明。

　　比如你會(huì)說(shuō)英語(yǔ)，想和一個(gè)說(shuō)印地語(yǔ)的人聊天。

　　Gemini能自動(dòng)識(shí)別是誰(shuí)在說(shuō)話。

　　你在耳機(jī)里聽到的是英語(yǔ)，而當(dāng)你開口說(shuō)完話，手機(jī)會(huì)自動(dòng)外放印地語(yǔ)給對(duì)方聽。

　　你不需要去設(shè)置「現(xiàn)在我說(shuō)」、「現(xiàn)在他說(shuō)」，系統(tǒng)全自動(dòng)切換。

　　風(fēng)格遷移：連「情緒」都能翻譯

　　這是最讓我起雞皮疙瘩的功能——Style Transfer（風(fēng)格遷移）。

　　傳統(tǒng)的翻譯是「莫得感情」的朗讀機(jī)器。

　　但Gemini利用其原生音頻能力，能捕捉人類語(yǔ)言的細(xì)微差別。

　　如果對(duì)方說(shuō)話時(shí)語(yǔ)調(diào)上揚(yáng)、節(jié)奏輕快，翻譯出來(lái)的聲音也會(huì)是歡快的；

　　如果對(duì)方語(yǔ)氣低沉、猶豫，翻譯出來(lái)的聲音也會(huì)帶著遲疑。

　　它保留了說(shuō)話者的語(yǔ)調(diào)、節(jié)奏和音高。

　　這不僅僅是聽懂意思，這是聽懂態(tài)度。

　　在商務(wù)談判或者吵架的時(shí)候，這個(gè)功能簡(jiǎn)直太重要了！

　　此外，它還支持：

　　70多種語(yǔ)言和2000多個(gè)語(yǔ)言對(duì)：覆蓋了全球絕大多數(shù)人的母語(yǔ)。

　　多語(yǔ)言混輸：即使在一場(chǎng)對(duì)話中混雜著幾種不同的語(yǔ)言，它也能同時(shí)理解，不用你手動(dòng)切來(lái)切去。

　　噪聲魯棒性：專門針對(duì)嘈雜環(huán)境優(yōu)化，過(guò)濾背景音。哪怕你在嘈雜的戶外市場(chǎng)，也能聽得清清楚楚。

　　開發(fā)者狂喜

　　這個(gè)AI終于「聽懂人話」了

　　如果你是開發(fā)者，或者想為企業(yè)構(gòu)建客服AI，這次Gemini 2.5 Flash Native Audio帶來(lái)的三個(gè)底層能力提升，絕對(duì)是「及時(shí)雨」。

　　函數(shù)調(diào)用更精準(zhǔn)

　　以前的語(yǔ)音助手，一旦涉及到查天氣、查航班這種需要調(diào)用外部數(shù)據(jù)的操作，很容易卡殼或者回答得很生硬。

　　現(xiàn)在的Gemini 2.5，知道何時(shí)該去獲取實(shí)時(shí)信息，并且能把查到的數(shù)據(jù)無(wú)縫地編織進(jìn)語(yǔ)音回復(fù)里，不會(huì)打斷對(duì)話的流暢感。

　　在專門測(cè)試復(fù)雜多步驟函數(shù)調(diào)用的ComplexFuncBench Audio評(píng)測(cè)中，Gemini 2.5拿下了71.5%的高分，遙遙領(lǐng)先。

　　更新后的 Gemini 2.5 Flash Native Audio 在 ComplexFuncBench 上與之前版本及行業(yè)競(jìng)爭(zhēng)對(duì)手的性能對(duì)比

　　這意味著，它能真正充當(dāng)一個(gè)靠譜的「辦事員」，而不是一個(gè)只會(huì)陪聊的「傻白甜」。

　　指令遵循更聽話

　　你是不是經(jīng)常覺得AI聽不懂復(fù)雜的指令？

　　谷歌這次下了狠功夫。

　　新模型對(duì)開發(fā)者指令的遵循率從84%提升到了90%！

　　這意味著，如果你要求AI「用這種特定的格式回答，語(yǔ)氣要嚴(yán)厲一點(diǎn)，不要廢話」，它能更精準(zhǔn)地執(zhí)行你的要求。

　　對(duì)于構(gòu)建企業(yè)級(jí)服務(wù)來(lái)說(shuō)，這種可靠性才是核心競(jìng)爭(zhēng)力。

　　對(duì)話更絲滑

　　多輪對(duì)話是AI的老大難問(wèn)題。

　　聊著聊著，AI就忘了前面說(shuō)過(guò)啥。

　　Gemini 2.5在檢索上下文方面取得了顯著進(jìn)步。

　　它能更有效地記住之前的對(duì)話內(nèi)容，讓整個(gè)交流過(guò)程不僅連貫，而且具有邏輯性。

　　配合上原生音頻的低延遲，你會(huì)感覺對(duì)面真的像坐了一個(gè)人。

　　我們離「賈維斯」還有多遠(yuǎn)？

　　谷歌這次的更新，其實(shí)是在傳遞一個(gè)明確的信號(hào)：

　　語(yǔ)音交互正在成為下一個(gè)時(shí)代的入口。

　　從Gemini Live到Search Live，再到耳機(jī)里的實(shí)時(shí)翻譯，谷歌正在把AI從屏幕里解放出來(lái)，塞進(jìn)我們的耳朵里。

　　對(duì)于普通用戶：語(yǔ)言的障礙正在被技術(shù)鏟平。

　　明年（2026年），這一功能將通過(guò)Gemini API擴(kuò)展到更多產(chǎn)品中。

　　未來(lái)，也許我們真的不再需要花費(fèi)數(shù)年時(shí)間痛苦地背單詞，一個(gè)耳機(jī)就能讓我們走遍天下。

　　對(duì)于企業(yè)：構(gòu)建一個(gè)能聽、能說(shuō)、能辦事、有情緒的下一代AI客服，門檻正在大幅降低。

　　彩蛋

　　除了原生音頻模型外，谷歌還丟出個(gè)核彈級(jí)實(shí)驗(yàn)產(chǎn)品——Disco。

　　它是來(lái)自Google Labs的新發(fā)現(xiàn)工具，用于測(cè)試未來(lái)網(wǎng)絡(luò)的想法。

　　它內(nèi)置了基于谷歌最強(qiáng)模型Gemini 3打造的神器GenTabs。

　　谷歌直言，目前還處于早期階段，并非所有功能都能完美運(yùn)行。

　　最牛的地方在于，它能看懂你的需求。

　　GenTabs通過(guò)主動(dòng)理解復(fù)雜任務(wù)（通過(guò)用戶打開的標(biāo)簽頁(yè)和聊天記錄）并創(chuàng)建交互式網(wǎng)絡(luò)應(yīng)用程序來(lái)幫助完成任務(wù)，從而幫助瀏覽網(wǎng)絡(luò)。

　　不用寫一行代碼，它直接把你亂七八糟的標(biāo)簽頁(yè)和聊天記錄，「變」成一個(gè)專屬的交互式App。

　　想做周餐計(jì)劃？想教孩子認(rèn)識(shí)行星？

　　跟它說(shuō)人話就行，它自動(dòng)給你生成工具，所有數(shù)據(jù)都有據(jù)可查，絕不瞎編。

　　目前macOS版已經(jīng)開放排隊(duì)了，雖然還是早期實(shí)驗(yàn)版，但這絕對(duì)是把「瀏覽」變成了「創(chuàng)造」。

　　趕緊沖，這波未來(lái)感拉滿了！

　　One More Thing

　　技術(shù)進(jìn)步的速度往往超乎我們的想象。

　　昨天我們還在嘲笑Siri聽不懂人話，今天Gemini已經(jīng)開始幫我們進(jìn)行跨語(yǔ)言的情感交流了。

　　別光看著，Gemini 2.5 Flash Native Audio現(xiàn)在已經(jīng)在Vertex AI上全面推出，Google AI Studio里也能試用了。

　　趕緊去體驗(yàn)一下吧！

　　或許在聽到AI用你的語(yǔ)氣說(shuō)出第一句外語(yǔ)時(shí)，你會(huì)真切地感受到——未來(lái)已來(lái)。

　　參考資料：

　　https://deepmind.google/blog/

　　https://x.com/GoogleAI/status/1999560839679082507?s=20

　　https://blog.google/technology/google-labs/gentabs-gemini-3/