新必威

新必威

新智元报道

编辑：YHluck

【新智元导读】谷歌发布Gemini 2.5 Flash原生音频模型，不仅能保留语调进行实时语音翻译，更让AI在复杂指令和连续对话中像真人一样自然流畅。这一更新标志着AI从简单的「文本转语音」跨越到了真正的「拟人化交互」时代。

想象这样一个场景：

你戴着耳机走在印度孟买喧闹的街头，周围是嘈杂的叫卖声和完全听不懂的印地语。

此时，一位当地大叔急匆匆地用印地语向你询问路线，他的语速很快，语气焦急。

若是以前，你可能得手忙脚乱地掏出手机，打开翻译App，按下按钮，尴尬地把手机递到他嘴边，然后听着手机里传出毫无感情的「机翻」电子音。

Nano Banana Pro制图

但现在，一切都变了。

你站在原地不动，耳机里直接传来了流利的中文：「嘿！朋友，麻烦问一下，火车站是不是往这边走？」

最绝的是，这句中文不仅意思准确，甚至连大叔那种焦急、气喘吁吁的语调都完美复刻了！

你用中文回答，耳机自动把你的声音转化成印地语传给对方，甚至保留了你热情的语调。

这不仅是科幻电影里的《巴别塔》重现，这是谷歌本周刚刚扔下的重磅「核弹」——Gemini 2.5 Flash Native Audio（原生音频模型）。

今天，我们就来扒一扒这次更新到底有多强。

所谓的「原生音频」，到底强在哪？

很多人可能会问：「现在的手机不都有朗读功能吗？这有啥稀奇的？」

这里有个巨大的误区。

以前的AI语音交互，流程是这样的：听到声音 -> 转成文字 -> AI思考文字 -> 生成文字回复 ->转化成语音读出来。

这个过程不仅慢，而且在「转来转去」的过程中，语气、停顿、情感这些人类沟通中最微妙的东西，全都丢了。

而谷歌这次发布的Gemini 2.5 Flash Native Audio，核心就在「Native（原生）」这两个字。

它不需要把声音转成文字再转回来，它是直接听、直接想、直接说。

举个栗子，这就好比你和一个老外聊天，以前你需要脑子里疯狂查字典，现在你已经形成了「语感」，脱口而出。

这次更新，谷歌不仅升级了Gemini 2.5 Pro和Flash的文本转语音模型，带来了更强的控制力。

更重要的是，它让实时语音代理（Live Voice Agents）成真了。

这意味着什么？

意味着在Google AI Studio、Vertex AI，甚至是搜索（Search Live）里，你不再是和一个冷冰冰的机器对话，而是在和一个有「脑子」、有「耳朵」的智能体进行实时头脑风暴。

耳机里的「同声传译」

打破语言的巴别塔

这次更新中，最让普通用户感到兴奋的，绝对是实时语音翻译（Live Speech Translation）功能。

谷歌这次没有画饼，功能已经开始在美国、墨西哥和印度的安卓设备上，通过Google翻译App进行Beta测试了（iOS用户稍安勿躁，马上就来）。

这个功能有两个杀手锏，直击痛点：

持续监听与双向对话：真正的「无感」翻译

以前用翻译软件，最烦的就是要不停地点「说话」按钮。

现在，Gemini支持持续监听。

你可以把手机揣兜里，戴上耳机，Gemini会自动把你周围听到的多种语言，实时翻译成你的母语。

这就相当于随身带了个隐形翻译官。

而在双向对话模式下，它更聪明。

比如你会说英语，想和一个说印地语的人聊天。

Gemini能自动识别是谁在说话。

你在耳机里听到的是英语，而当你开口说完话，手机会自动外放印地语给对方听。

你不需要去设置「现在我说」、「现在他说」，系统全自动切换。

风格迁移：连「情绪」都能翻译

这是最让我起鸡皮疙瘩的功能——Style Transfer（风格迁移）。

传统的翻译是「莫得感情」的朗读机器。

但Gemini利用其原生音频能力，能捕捉人类语言的细微差别。

如果对方说话时语调上扬、节奏轻快，翻译出来的声音也会是欢快的；

如果对方语气低沉、犹豫，翻译出来的声音也会带着迟疑。

它保留了说话者的语调、节奏和音高。

这不仅仅是听懂意思，这是听懂态度。

在商务谈判或者吵架的时候，这个功能简直太重要了！

此外，它还支持：

70多种语言和2000多个语言对：覆盖了全球绝大多数人的母语。

多语言混输：即使在一场对话中混杂着几种不同的语言，它也能同时理解，不用你手动切来切去。

噪声鲁棒性：专门针对嘈杂环境优化，过滤背景音。哪怕你在嘈杂的户外市场，也能听得清清楚楚。

开发者狂喜

这个AI终于「听懂人话」了

如果你是开发者，或者想为企业构建客服AI，这次Gemini 2.5 Flash Native Audio带来的三个底层能力提升，绝对是「及时雨」。

函数调用更精准

以前的语音助手，一旦涉及到查天气、查航班这种需要调用外部数据的操作，很容易卡壳或者回答得很生硬。

现在的Gemini 2.5，知道何时该去获取实时信息，并且能把查到的数据无缝地编织进语音回复里，不会打断对话的流畅感。

在专门测试复杂多步骤函数调用的ComplexFuncBench Audio评测中，Gemini 2.5拿下了71.5%的高分，遥遥领先。

更新后的 Gemini 2.5 Flash Native Audio 在 ComplexFuncBench 上与之前版本及行业竞争对手的性能对比

这意味着，它能真正充当一个靠谱的「办事员」，而不是一个只会陪聊的「傻白甜」。

指令遵循更听话

你是不是经常觉得AI听不懂复杂的指令？

谷歌这次下了狠功夫。

新模型对开发者指令的遵循率从84%提升到了90%！

这意味着，如果你要求AI「用这种特定的格式回答，语气要严厉一点，不要废话」，它能更精准地执行你的要求。

对于构建企业级服务来说，这种可靠性才是核心竞争力。

对话更丝滑

多轮对话是AI的老大难问题。

聊着聊着，AI就忘了前面说过啥。

Gemini 2.5在检索上下文方面取得了显著进步。

它能更有效地记住之前的对话内容，让整个交流过程不仅连贯，而且具有逻辑性。

配合上原生音频的低延迟，你会感觉对面真的像坐了一个人。

我们离「贾维斯」还有多远？

谷歌这次的更新，其实是在传递一个明确的信号：

语音交互正在成为下一个时代的入口。

从Gemini Live到Search Live，再到耳机里的实时翻译，谷歌正在把AI从屏幕里解放出来，塞进我们的耳朵里。

对于普通用户：语言的障碍正在被技术铲平。

明年（2026年），这一功能将通过Gemini API扩展到更多产品中。

未来，也许我们真的不再需要花费数年时间痛苦地背单词，一个耳机就能让我们走遍天下。

对于企业：构建一个能听、能说、能办事、有情绪的下一代AI客服，门槛正在大幅降低。

除了原生音频模型外，谷歌还丢出个核弹级实验产品——Disco。

它是来自Google Labs的新发现工具，用于测试未来网络的想法。

它内置了基于谷歌最强模型Gemini 3打造的神器GenTabs。

谷歌直言，目前还处于早期阶段，并非所有功能都能完美运行。

最牛的地方在于，它能看懂你的需求。

GenTabs通过主动理解复杂任务（通过用户打开的标签页和聊天记录）并创建交互式网络应用程序来帮助完成任务，从而帮助浏览网络。

不用写一行代码，它直接把你乱七八糟的标签页和聊天记录，「变」成一个专属的交互式App。

想做周餐计划？想教孩子认识行星？

跟它说人话就行，它自动给你生成工具，所有数据都有据可查，绝不瞎编。

目前macOS版已经开放排队了，虽然还是早期实验版，但这绝对是把「浏览」变成了「创造」。

赶紧冲，这波未来感拉满了！

One More Thing

技术进步的速度往往超乎我们的想象。

昨天我们还在嘲笑Siri听不懂人话，今天Gemini已经开始帮我们进行跨语言的情感交流了。

别光看着，Gemini 2.5 Flash Native Audio现在已经在Vertex AI上全面推出，Google AI Studio里也能试用了。

赶紧去体验一下吧！

或许在听到AI用你的语气说出第一句外语时，你会真切地感受到——未来已来。

参考资料：

https://deepmind.google/blog/

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

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

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定新智元极速推送！