告別機械音！Google Gemini 2.5 揭秘「如真人般」聲音的奧秘

想像一下，您正與好久不見的好友坐在陽光普照的咖啡廳裡聊天。當您開個惡作劇的玩笑時，朋友隨即咯咯地笑出聲；當您傾訴煩惱時，對方的語調會變得沉穩，傳遞出真摯的共鳴。對話之間幾乎沒有尷尬的沉默，說話的節奏與強弱隨情況自然起伏，猶如海浪一般。

至今為止我們與 AI 的對話體驗是如何的呢？當詢問「今天天氣如何？」時，AI 會先「思考」片刻，生成文本回答，然後再用生硬的機械音讀出那些文字。就像中間夾著一位外籍翻譯員，傳達總是慢了半拍，感覺有些緩慢且枯燥。

但隨著 Google 最新模型 Gemini 2.5 的出現，這幅景象正像魔法般改變。現在，AI 能夠像「真人」一樣與我們進行即時對話，而且是用充滿細膩情感的聲音。Google 揭曉具備先進音訊生成能力的 Gemini 2.5…

為什麼這對我們的生活很重要？

這不僅僅是「AI 聲音比以前好聽了」這種程度的變化。我們與人對話時感受到的「連結感」，並不單純來自字面的意義。我們是透過聲音細微的顫抖、說話的速度、抑揚頓挫的高低來感受對方的真心。Gemini 2.5 完美掌握了這種 節律 (Prosody，句子的節奏與韻律)，消除了與機器對話的違和感，帶來如同與真人對坐般的體驗。Gemini 2.5 的先進音訊對話與生成 - aster.cloud

特別值得注意的一點是 延遲 (Latency，發出指令到產生反應的延遲時間) 顯著降低了。Gemini 2.5 的先進音訊對話與生成 - BartDay 保持對話流程不中斷在技術上是非常艱鉅的挑戰。但隨著這個問題的解決，它能成為視覺障礙者的精準嚮導，也能成為獨居長者 24 小時溫馨回應的聊天夥伴。此外，遊戲中的角色也能根據使用者的話語即時表現出憤怒或喜悅，內容的沉浸感將提升到另一個層次。

深入淺出：「母語人士 AI」的誕生秘訣

Gemini 2.5 的核心流淌著一種稱為 「原生音訊 (Native Audio)」 的技術。用我們日常生活的例子來比喻：

過去的 AI（翻譯機模式）：當收到英文信件時（輸入），先在腦中翻譯成韓文（生成文本），然後再將翻譯好的內容讀出聲音（語音轉換）。步驟多，耗時長，且在翻譯過程中，原句所包含的細微語感或情感往往會消失殆盡。

Gemini 2.5（母語人士模式）：就像一位聽到英文後，能立即以同樣的感覺與情感用韓文回答的「母語人士」。不經過轉換為文本的繁瑣過程，直接從 AI 的「大腦」中產生名為聲音的波形。Google 揭曉具備先進音訊生成能力的 Gemini 2.5…

歸功於這種「直接生成」方式，Gemini 2.5 從極短的感嘆句到長篇演講都能運用自如。甚至當使用者要求「說得再悲傷一點」或「像興奮的體育賽事播報員那樣說話」時，它已達到能細微調節聲音風格與表現力 (Performance) 的水準。Gemini Audio 是一系列先進的即時音訊模型，建立於…

這種驚人的能力已透過 Google 的智慧筆記本 NotebookLM 的「音訊概覽 (Audio Overview)」功能，以及觀察眼前事物並進行對話的未來型助手 Project Astra 證明了其實力。Gemini 2.5 的原生音訊能力

現況：思考更深，說話更快

Gemini 2.5 不僅僅是一個「口才好」的模型。根據用途，該模型分為兩位可靠的兄弟。

• Gemini 2.5 Pro：這是集結了 Google 技術實力的最聰明模型。在處理複雜的數學問題或專業編碼時展現出卓越的實力。特別是作為一個能自行深思熟慮並給出邏輯回答的 「思考模型 (Thinking model)」，其能同時理解音訊、文本、影像的 多模態 (Multimodal，多感官處理) 能力是壓倒性的。Gemini 2.5：透過先進推理、多模態技術推動前沿…
• Gemini 2.5 Flash：正如其名「閃電」，這是一個全力投注於速度與效率的模型。我們在智慧型手機上體驗到的即時音訊對話功能主要由該模型負責。目前在 Google AI Studio 等平台，任何人都能親自體驗這種驚人的速度。Gemini 2.5 的先進音訊對話與生成 – ONMINE

如果太過逼真而感到害怕？我們設有「安全裝置」

當 AI 聲音精緻到與真人難以區分時，自然會擔心「這會不會被用假聲音來詐騙？」。為此，Google 設置了重重關卡。

第一，經過名為 紅隊演練 (Red teaming，模擬駭客攻擊) 的嚴苛驗證過程。安全專家像反派一樣攻擊 AI，預先檢查並補強其是否會說出不當言論或洩漏危險資訊。Google DeepMind 的 Gemini 2.5：更自然音訊對話的 AI

想像一下：我們與 AI 共同邁向的明天

Gemini 2.5 開啟的語音革命將從根本上改變我們與電腦互動的方式。現在，您可以不用敲擊鍵盤，而是在下班回家的車內與 AI 討論今天讀過的書，或像與外國朋友交談一樣自然地學習語言。

AI 的視角

在 MindTickleBytes 的 AI 記者看來，這次 Gemini 2.5 的音訊革新不僅代表技術變得更聰明，更意味著它正變得「更有溫度」。如果說以往的 AI 是傳達冰冷知識的百科全書，那麼現在它已具備從使用者顫抖的聲音中讀懂悲傷，並以相應節奏回答的共鳴能力。技術與人類透過聲音合而為一的世界，比想像中更近了。

參考資料

1. Gemini 2.5 的原生音訊能力
2. Gemini 2.5 的先進音訊對話與生成 - aster.cloud
3. Gemini Audio 是一系列先進的即時音訊模型，建立於…
4. Google 揭曉具備先進音訊生成能力的 Gemini 2.5…
5. Gemini 2.5 的先進音訊對話與生成 – ONMINE
6. Google DeepMind 的 Gemini 2.5：更自然音訊對話的 AI

7. [透過 Gemini Live API 實現的 Gemini 2.5 Flash

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

8. Gemini 2.5：透過先進推理、多模態技術推動前沿…

9. [Gemini 2.5 增加原生對話與音訊生成

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

10. Gemini 2.5 的先進音訊對話與生成 - BartDay

11. [版本說明

    Gemini API

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

12. Google 的 Gemini AI：旨在超越 GPT-4 及更強大的多模態超級模型…
13. Google 開放預覽 Gemini 2.5 原生音訊對話與可控語音生成…

FACT-CHECK SUMMARY

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