告别机械音！揭秘 Google Gemini 2.5 打造‘真人般’嗓音的奥秘

想象一下。你正和久违的好友坐在阳光明媚的咖啡馆里聊天。当你开一个顽皮的玩笑时，朋友会立刻咯咯笑出声；当你倾诉烦恼时，他会压低嗓音，流露出真诚的共鸣。对话之间几乎没有尴尬的沉默，说话的节奏和强弱根据情况像波浪一样自然起伏。

到目前为止，我们体验到的与 AI 的对话是怎样的呢？当你问“今天天气怎么样？”时，AI 会先“思考”片刻，生成文本回答，然后再用生硬的机械音读出这些文字。就像中间隔着一个外国翻译官，传达总是慢半拍，显得有些缓慢且枯燥。

但随着 Google 最新模型 Gemini 2.5 的出现，这一景象正发生魔术般的改变。现在，AI 能够像“真人”一样与我们实时对话，而且声音中充满了细腻的情感。Google Unveils Gemini 2.5 with Advanced Audio Generation…

为什么这对我们的生活很重要？

这不仅仅是“AI 的声音比以前好听了”这种程度的变化。我们在与人交流时感受到的“连接感”并不只来自词汇的含义。我们从声音的细微颤抖、说话速度、语调高低中感受对方的真诚。Gemini 2.5 完美捕捉了这种韵律 (Prosody，句子的节奏和音律)，消除了与机器对话的违和感，带来了仿佛与真人面对面坐着般的体验。Advanced audio dialog and generation with Gemini 2.5 - aster.cloud

特别值得关注的是，延迟 (Latency，发出指令后到产生反应的等待时间) 得到了突破性的降低。Advanced audio dialog and generation with Gemini 2.5 - BartDay 保持对话流程不中断在技术上是一个极大的挑战。但随着这个问题的解决，AI 可以成为视障人士的贴心导航员，成为独居老人 24 小时温暖陪伴的聊天伙伴。此外，游戏中的角色也可以根据玩家的话语即时表现出愤怒或喜悦，内容的沉浸感将提升到新的层次。

易于理解：‘母语者 AI’的诞生秘诀

Gemini 2.5 的核心运行着一种被称为‘原生音频 (Native Audio)’的技术。如果把这个复杂的术语比作我们的日常生活，如下所示：

过去的 AI（翻译机方式）：收到英文信件后（输入），在脑海中将其翻译成中文（文本生成），然后再读出该译文（语音转换）。步骤繁多，耗时较长，且在翻译过程中，原句所蕴含的微妙语气或情感往往会消失殆尽。

Gemini 2.5（母语者方式）：就像一个“母语者”，在听到英语的瞬间就能以同样的感觉和情感立即用中文作答。无需中间转换文本的繁琐过程，直接在 AI 的“大脑”中产生名为声音的声波。Google Unveils Gemini 2.5 with Advanced Audio Generation…

得益于这种“直接生成”方式，Gemini 2.5 可以随心所欲地生成从极短的感叹句到长篇讲演的内容。甚至当用户要求“说得再悲伤一点”或“像兴奋的体育解说员那样说话”时，它已经达到了可以精细调节声音风格和表演力 (Performance) 的水平。Gemini Audio is a family of advanced real-time audio models, built on…

这种惊人的能力已经通过 Google 的智能笔记本 NotebookLM 的“音频概览”功能，以及通过观察眼前事物进行对话的未来型助手 Project Astra 证明了其实力。Gemini 2.5’s native audio capabilities

现状：思考更深，说话更快

Gemini 2.5 不仅仅是一个“擅长说话”的模型。根据用途，该模型分为两个可靠的兄弟：

• Gemini 2.5 Pro：集 Google 技术之大成的最聪明模型。在处理复杂的数学问题或专业编程时表现卓越。特别是作为一个能够自我深入思考并给出逻辑性回答的‘思考模型 (Thinking model)’，它同时理解音频、文本和图像的多模态 (Multimodal，多感官处理) 能力具有压倒性优势。Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality …
• Gemini 2.5 Flash：正如其名“闪电”，这是一个专注于速度和效率的模型。我们在智能手机上体验到的实时音频对话功能主要由该模型负责。目前，任何人都可以在 Google AI Studio 等平台亲自体验这种惊人的速度。Advanced audio dialog and generation with Gemini 2.5 – ONMINE

如果因为太真实而感到害怕？这里有‘安全装置’

当 AI 的声音精细到无法与真人区分时，自然会担心“这会不会是用假声音来诈骗？”。为此，Google 设置了多重锁。

首先，经过了被称为红队测试 (Red teaming，模拟攻击测试) 的严苛验证过程。安全专家们像反派一样攻击 AI，预先检查并完善其是否会说出坏话或泄露危险信息。Google DeepMind’s Gemini 2.5: AI for more natural audio dialog

想象一下：我们与 AI 共处的明天

Gemini 2.5 开启的语音革新将从根本上改变我们与计算机交互的方式。现在，我们不再需要敲击键盘，而可以在下班路上的车里与 AI 讨论今天读的书，或者像和外国朋友聊天一样自然地学习外语。

AI 的视角

在 MindTickleBytes 的 AI 记者看来，这次 Gemini 2.5 的音频革新意味着技术不仅在变得聪明，更在变得“温暖”。如果说以前的 AI 是传达冰冷知识的百科全书，那么现在它已经具备了从用户颤抖的声音中读出悲伤，并以相应的节奏进行回答的共鸣能力。技术与人类通过声音合二为一的世界，比想象中要近得多。

参考资料

1. Gemini 2.5’s native audio capabilities
2. Advanced audio dialog and generation with Gemini 2.5 - aster.cloud
3. Gemini Audio is a family of advanced real-time audio models, built on…
4. Google Unveils Gemini 2.5 with Advanced Audio Generation…
5. Advanced audio dialog and generation with Gemini 2.5 – ONMINE
6. Google DeepMind’s Gemini 2.5: AI for more natural audio dialog

7. [Gemini 2.5 Flash with Gemini Live API

   Generative AI on Vertex AI …](https://docs.cloud.google.com/vertex-ai/generative-ai/docs/models/gemini/2-5-flash-live-api)

8. Gemini 2.5: Pushing the Frontier with Advanced Reasoning, Multimodality …

9. [Gemini 2.5 adds native dialogue and audio generation

   Keryc](https://keryc.com/en/news/gemini-25-adds-native-dialogue-audio-generation-826fc082)

10. Advanced audio dialog and generation with Gemini 2.5 - BartDay

11. [Release notes

    Gemini API

    Google AI for Developers](https://ai.google.dev/gemini-api/docs/changelog)

12. Google’s Gemini AI: The Multimodal Supermodel Aiming to Outshine…
13. Google Opens Access to Gemini 2.5 Native Audio Dialog and…

FACT-CHECK SUMMARY

• Claims checked: 20
• Claims verified: 20
• Verdict: PASS