与 AI 聊天的时代？谷歌 Gemini 开始说得更像人类了

想象一下。在异国他乡的咖啡馆里，你与一位初次见面的当地人相对而坐。尽管你们完全不懂彼此的语言，但只需每人戴上一只耳机，就能像相识多年的老友一样自然地聊天。当你用中文问“这附近最好吃的甜点是什么？”时，对方耳中会立即响起自然的当地语言。当对方笑着回答时，你的耳边也会传来亲切的中文声音。

这听起来像是科幻电影中的场景，但现在它正大步走进我们的日常生活。谷歌最近宣布，已对其人工智能（AI）模型 Gemini 的“听觉”和“声音”进行了划时代的升级。改进的 Gemini 音频模型带来强大的语音交互体验 这不仅仅是声音变好听了一点。现在，AI 能更深层地理解我们的语言，带着人类特有的微妙情感进行回答，甚至只需通过声音就能帮我们处理复杂的任务。今天，我们将作为您的向导，为您一一解读这些惊人的变化将如何改变我们的生活。

为什么这很重要？

事实上，到目前为止我们所经历的 AI 声音总感觉有些“机器人”味。无论是说“重新规划路线”的导航系统，还是客服中心的自动应答，句子的结尾总是硬邦邦的，缺乏情感。这是为什么呢？简单来说，是因为现有的技术是 AI“朗读”文本（文字）的方式。在将文字转化为声音的过程中，人类对话特有的韵律感和情感被磨灭了。

但这次升级的 Gemini 2.5 原生音频（Native Audio，AI 直接将声音理解为数据的技术） 模型则从根本上有所不同。正如“原生”这个词所象征的，该模型不再需要经历将声音转换为文字再进行解释的繁琐过程。它直接倾听声音本身，并捕捉其中的细微差别。改进的 Gemini 音频模型带来强大的语音交互体验

打个比方，这就像是一个只能一行行读乐谱勉强演奏的新手，与一个一听到音乐就能捕捉到感动并即兴演奏的“天才音乐家”之间的区别。正因如此，现在的 Gemini 能察觉到我们说话时夹杂的轻微叹息、犹豫的呼吸声，甚至是语调的微妙变化。回答时的呼吸节奏也变得自然得多。增强的 Gemini 音频模型驱动更强大的语音功能…

通俗易懂：有哪些变化？

此次更新的核心变化可以概括为以下三个方面：

1. “像真人一样充满情感地说话”

谷歌大幅增强了 Gemini 2.5 Flash 和 Pro 模型的 TTS（Text-to-Speech，文字转语音） 功能。现在，AI 能根据句子的语境自动调节语速。例如，在紧急情况下语速会稍快一些，而在需要安慰的情况下则会变得平稳缓慢。此外，在为包含多个角色的童话书朗读时，它还能根据每个角色的个性进行生动的表演。谷歌变革语音 AI：Gemini 2.5 文字转语音模型… 谷歌 DeepMind 的研究人员评价称，这是“AI 语音向人类领域迈进的一大步”。谷歌变革语音 AI：Gemini 2.5 文字转语音模型…

2. “被中途打断也不会慌张”

回想一下我们与朋友聊天时的场景。在对方话还没说完时，我们可能会随声附和，或者想到什么好奇的事就中途提问。以前的 AI 必须默默等待自己把话说完。但现在，Gemini 具备了 多轮对话（Multi-turn conversation） 能力，即使被中途打断或插话，也能自然地做出反应并继续对话。谷歌 Gemini 音频升级比听起来更宏大：意味着什么… 对话流程像流水一样顺畅，让人感觉真的像是在和人对面聊天。改进的 Gemini 音频模型带来强大的语音交互体验

3. “动动嘴就能自动运行应用”

稍微专业一点的术语叫 函数调用（Function Calling），这项功能得到了加强。简单来说，就是 AI 听取我的声音并实际执行“动作”的能力。打个比方，就像对聪明的秘书说“明天早上 7 点叫醒我”，秘书就会直接设定好闹钟。即使在比以前更复杂、有噪音干扰的环境中，它也能准确理解用户的指令并执行手机的功能。谷歌 Gemini 音频升级比听起来更宏大：意味着什么…

现状：在哪里可以使用？

这些惊人的技术已经开始应用在我们身边的服务中。

• 谷歌翻译（Google Translate）：现在，佩戴耳机即可使用实时语音翻译功能。改进的 Gemini 音频模型带来强大的语音交互体验 在国外旅游问路或在餐厅点餐时，你将体验到语言障碍消失的神奇时刻。增强的 Gemini 模型助力强大的语音交互
• Gemini Live：这是在智能手机上与 AI 进行实时语音对话的服务。现在，你可以用更亲切、更自然的声音进行烦恼咨询或询问复杂的知识。谷歌 Gemini 音频升级比听起来更宏大：意味着什么…
• 商业现场：企业正在利用通过谷歌云提供的 API（应用程序编程接口）构建更精密的 AI 客服。即使是申请贷款或产品咨询这样复杂的业务，现在 AI 也能用温柔的声音提供帮助。增强的 Gemini 语音模型提升互动音频能力

在性能方面，数据也令人惊叹。Gemini 2.5 原生音频模型在综合评估语音助手能力的“ComplexFuncBenchAudio”基准测试中获得了 71.5% 的高分。改进的 Gemini 音频模型带来强大的语音交互体验 这意味着 AI 已经准备好超越简单的对话，去执行现实生活中的复杂指令。

未来会怎样？

谷歌的这一举措不仅是创造一个“口才好的 AI”，还将为我们生活的各个领域带来巨大的浪潮。

• 教育领域：现在 AI 导师可以实时听取我的发音并像母语者一样进行纠正。这相当于拥有了一个能根据学习者水平调节语速的亲切的 1:1 私教。增强的 Gemini 模型助力强大的语音交互
• 旅游及服务业：因语言不通而经历的诸多不便将会消失。在酒店大堂或机场服务台，员工在 AI 的帮助下与全球任何人顺畅沟通的场景将成为常态。增强的 Gemini 模型助力强大的语音交互

当然，AI 目前还不完美。71.5% 的分数固然优秀，但反过来说，仍有约 28.5% 的失误可能。改进的 Gemini 音频模型带来强大的语音交互体验 但从技术发展的速度来看，也许不久之后，我们就能在与 AI 结束对话后，送上一句充满赞美的话：“你真像人一样温暖！”

AI 的视角

此次更新的重大意义在于，AI 突破了“文本”这一狭窄的框架，开始直接感知“声音”这个更广阔、更立体的世界。我们期待这一打破语言障碍、缩小技术与人之间心理距离的变化，能让我们的生活变成一个更加紧密连接且温暖的空间。

参考资料

1. 改进的 Gemini 音频模型带来强大的语音交互体验
2. 谷歌 Gemini 音频升级比听起来更宏大：意味着什么…
3. 改进的 Gemini 音频模型带来强大的语音交互体验
4. 改进的 Gemini 音频模型带来强大的语音交互体验
5. 增强的 Gemini 音频模型驱动更强大的语音功能…
6. 改进的 Gemini 音频模型带来强大的语音交互体验
7. 增强的 Gemini 模型助力强大的语音交互
8. Gemini 音频模型升级语音交互 - theoutpost.ai
9. 增强的 Gemini 语音模型提升互动音频能力
10. 谷歌变革语音 AI：Gemini 2.5 文字转语音模型…
11. 利用 Gemini Live API 构建更强大的语音代理

事实核查摘要

• 核查项目：15
• 已验证项目：15
• 结论：通过