- Gemini 2.5 Flash Native Audio parandab Google'i tehisintellekti abil häälvestluste loomulikkust, täpsust ja sujuvust.
- Mudel täpsustab väliste funktsioonide kutseid, järgib paremini keerukaid juhiseid ja säilitab pikkades dialoogides paremini konteksti.
- See sisaldab reaalajas häälest hääleks tõlkimist, toetades enam kui 70 keelt ja 2.000 tõlkepaari, säilitades intonatsiooni ja rütmi.
- See on juba integreeritud Google AI Studiosse, Vertex AI-sse, Gemini Live'i ja Search Live'i ning seda juurutatakse Google'i ja kolmandate osapoolte toodetesse.
Google on oma tehisintellekti ökosüsteemi arengus astunud uue sammu, avaldades olulise uuenduse. Gemini 2.5 Flash Native AudioMudel, mis on loodud heli reaalajas mõistmiseks ja genereerimiseks. See tehnoloogia on suunatud häälsuhtluse tõhusamaks muutmisele. inimlikule vestlusele lähemalnii igapäevaelus kui ka töökeskkonnas.
Kaugel lihtsalt assistendi vastustele "hääle andmisest" ja võrreldes teiste võimalustega hääl AI võrdlusedSee mudel on loodud säilitada loomulikke, funktsionaalseid ja kontekstuaalseid dialooge, otsuste tegemine lisateabe otsimise aja kohta ja keeruliste juhiste haldamine vestluse voogu katkestamataSellega kinnitab Google oma pühendumust häälele kui peamisele suhtlusvahendile oma tehisintellekti teenustega.
Mis on Gemini 2.5 Flash Native Audio ja kus seda kasutatakse?
Gemini 2.5 Flash Native Audio on Google'i natiivse helimudeli uusim versioon, mis on võimeline kuula, mõista ja häälega reageeri reaalajas. Erinevalt varasematest ainult kõnesünteesile keskendunud süsteemidest on see mootor loodud töötama heliga samaaegselt nii sisendi kui ka väljundina, mistõttu on see eriti sobiv vestlusassistentidele.
Ettevõte on selle versiooni juba integreerinud mitmesse oma põhiplatvormi: Google AI Studio, Vertex AI, Gemini Live ja Search LiveSee tähendab, et nii arendajad kui ka ettevõtted saavad ehitusega alustada. täiustatud häälagendid samal tehnoloogial, mis annab jõudu Google'i uusimatele vestluspõhistele tehisintellekti kogemustele.
Praktikas märkavad kasutajad neid muutusi kogemustes, näiteks Kaksikud otse (häälevestluse režiim assistendiga) või Otsi otseülekannet Google'i rakenduse tehisintellekti režiimis, kus häälvastused kõlavad väljendusrikkam, selgem ja paremini kontekstualiseeritudLisaks saate isegi paluda assistendil aeglasemalt rääkida, kohandades vestluse tempot loomulikult.
Lisaks Google'ile endale on need võimalused tehtud kättesaadavaks ka kolmandatele osapooltele järgmiste kanalite kaudu: Vertex AI ja Gemini APIet teised ettevõtted saaksid luua autonoomsed ained hääl, virtuaalsed administraatorid või sama keeruka häälega abivahendid.
Täpsemad välised funktsioonid ja parema hinnanguga mudelid
Üks valdkondi, kus Gemini 2.5 Flash Native Audio on kõige rohkem edusamme teinud, on selle võime kutsu väliseid funktsiooneLihtsamalt öeldes on mudel nüüd otsuste tegemisel usaldusväärsem. kui teil on vaja reaalajas teenuseid või andmeid vaadataNäiteks ajakohastatud teabe saamiseks, tellimuse staatuse kontrollimiseks või automatiseeritud protsessi käivitamiseks.
Google juhib tähelepanu sellele, et see lisatäpsus tähendab vähem vigu toimingute käivitamisel, vähendades ebamugavaid olukordi, kus assistent jääb hätta või tegutseb enneaegselt. Süsteem on võimeline sisesta hangitud andmed helivastusesse ilma et kasutaja vestluses järske katkestusi märkaks.
Nende edusammude mõõtmiseks on ettevõte mudelit testinud, näiteks ComplexFuncBenchi heli, hindamisplatvorm, mis keskendub mitmeastmelistele piirangutega ülesannetele. Selles stsenaariumis on Gemini 2.5 Flash Native Audio saavutanud umbes 71,5% edukuse määr keerukate funktsioonide täitmisel, asetades selle eelmistest iteratsioonidest ja teistest konkureerivatest mudelitest kõrgemale seda tüüpi kasutuses.
See jõudlus on eriti oluline olukordades, kus on vaja keerukaid automatiseeritud töövooge, näiteks kõnekeskused, tehniline tugi või tehingute töötlemine (näiteks finants- või haldusülesanded), kus iga samm sõltub eelmisest ja vearuumi on vähe.
Parem juhiste jälgimine ja sidusamad vestluslõimed
Uuenduse teine keskendub sellele, kuidas mudel tõlgendada ja järgida juhiseid mida ta saab nii lõppkasutajatelt kui ka arendajatelt. Google'i avaldatud andmete kohaselt on juhiste järgimise määr langenud 84%-lt 90% järgimineSee tähendab vastuseid, mis on rohkem kooskõlas sellega, mida tegelikult küsiti.
See hüpe on võtmetähtsusega ülesannetes, kus seda vaja on keerulised juhised, mitu sammu või mitu tingimustNäiteks kindlas stiilis selgituse taotlemisel, teatud ajapiirangutega kokkuvõtte küsimisel või mitmest omavahel seotud otsusest sõltuva töövoo seadistamisel.
Sellega seoses on Gemini 2.5 Flash Native Audio omandanud võimekuse Eelmiste sõnumite konteksti toomineMitmepöördelistes vestlustes mäletab mudel paremini öeldut, kasutaja poolt sisse toodud nüansse ja dialoogi jooksul tehtud parandusi.
See vestlusmälu paranemine vähendab vajadust sama teavet ikka ja jälle korrata ning aitab muuta suhtlust tõhusamaks. sujuvam ja vähem frustreerivSee kogemus on pigem selline, mis meenutab vestlust inimesega, kes jätkab teemat sealt, kus pooleli jäi, selle asemel, et iga vastusega otsast alustada.
Reaalse maailma kasutusjuhud: e-kaubandusest finantsteenusteni
Lisaks sisemistele mõõdikutele tugineb Google klientide näidetele, et illustreerida Gemini 2.5 Flash Native Audio praktilist mõju. E-kaubanduse sektoris on Shopify need võimalused oma assistendisse lisanud. Käsilane", mis aitab jaemüüjatel oma kauplusi hallata ja ettevõttega seotud kahtlusi lahendada.
Ettevõtte sõnul on paljud kasutajad Nad unustavad isegi, et räägivad tehisintellektiga Mõneminutilise vestluse järel tänas kasutaja isegi botti pärast pikka päringut. Selline reaktsioon viitab sellele, et loomulikkuse ja toonide areng sunnib tehnoloogiat märkamatult tagaplaanile jääma.
Finantssektoris teenusepakkuja Ühendatud hulgimüügi hüpoteeklaen (UWM) Ettevõte on integreerinud mudeli oma „Mia” assistendisse hüpoteeklaenudega seotud protsesside haldamiseks. Gemini 2.5 ja teiste sisemiste süsteemide kombinatsiooniga väidab ettevõte, et on töödelnud üle 14 000 laenu oma partnerite jaoks, tuginedes automatiseeritud suhtlusele, mis nõuab täpsust ja vastavust regulatiivsetele nõuetele.
Omalt poolt idufirma Newo.ai See kasutab toiteallikaks Vertex AI kaudu Gemini 2.5 Flash Native Audio heli. virtuaalsed administraatoridNeed häälassistendid suudavad tuvastada peakõneleja isegi lärmakas keskkonnas, vahetada keelt vestluse keskel ja säilitada loomulik hääleregister emotsionaalsete nüanssidegamis on klienditeeninduses ülioluline.
Reaalajas häälelt häälele tõlge: rohkem keeli ja rohkem nüansse
Üks selle versiooni silmapaistvamaid lisandusi on reaalajas häälest hääleks tõlgeAlgselt Google Translate'i rakendusse integreeritud Gemini 2.5 Flash Native Audio pakub enamat kui lihtsalt heli tekstiks teisendamist või fragmentaarsete tõlgete pakkumist, võimaldades kaasahaaravamat kogemust. sünkroontõlge inimlikule tõlgendusele lähemal.
Süsteem saab töötada režiimis pidev kuulamineSee võimaldab kasutajal kõrvaklapid pähe panna ja kuulda enda ümber toimuvat oma keelde tõlgituna, ilma et peaks iga fraasi jaoks pausi tegema või nuppe vajutama. See valik võib olla kasulik reisides, rahvusvahelistel kohtumistel või üritustel, kus on tegemist mitme keelega.
Samuti on arvesse võetud olukordi, kus kahesuunaline vestlusNäiteks kui üks inimene räägib inglise keeles ja teine hindi keeles, esitavad kõrvaklapid reaalajas ingliskeelset tõlget, samal ajal kui telefon esitab hindi keele tõlget, kui esimene inimene on rääkimise lõpetanud. Süsteem vahetab väljundkeelt automaatselt olenevalt sellest, kes räägib, ilma et kasutaja peaks kordamööda seadeid muutma.
Selle funktsiooni üks olulisemaid detaile on selle võime säilitage algne intonatsioon, rütm ja toon kõnelejalt. Selle tulemuseks on tõlked, mis kõlavad vähem robotlikult ja on lähemal kõneleja häälestiilile, muutes need arusaadavamaks ja kogemuse loomulikumaks.
Keeletugi, automaatne tuvastamine ja müra filtreerimine
Keelelise ulatuse osas pakub Gemini 2.5-põhine häältõlge tuge järgmisele: üle 70 keele ja umbes 2.000 tõlkepaariKombineerides mudeli maailmateadmisi mitmekeelsete ja natiivsete helivõimalustega, suudab see katta laia valikut keelekombinatsioone, sealhulgas paljusid, mida teised tööriistad alati ei prioriseeri.
Süsteem saab hallata mitmekeelne sissekanne Ühe seansi jooksul saab see aru mitmest keelest samaaegselt, ilma et kasutaja peaks iga kord keelt vahetades sätteid käsitsi kohandama. See funktsioon on eriti kasulik vestlustes, kus mitu keelt loomulikult segunevad.
Tänu kõnekeele automaatne tuvastamineKasutaja ei pea ette teadma, mis keeles tema vestluskaaslane suhtleb: mudel tuvastab keele ja hakkab lennult tõlkima, vähendades hõõrdumist ja vaheetappe.
Gemini 2.5 Flash Native Audio sisaldab ka mehhanisme vastupidavus müraleSee suudab osa ümbritsevast helist välja filtreerida, et seada esikohale peamine hääl, võimaldades mugavamaid vestlusi tiheda liiklusega tänavatel, avatud ruumides või taustamuusikaga kohtades.
Saadavus, kasutuselevõtt ja väljavaated Euroopas
Sellel mudelil põhinev reaalajas häältõlge on praegu saadaval järgmistes keeltes: Google Translate'i rakenduse beetaversioon Android-seadmetele sellistel turgudel nagu Ameerika Ühendriigid, Mehhiko ja India. Google on kinnitanud, et teenust hakatakse järk-järgult kasutusele võtma rohkem piirkondi ja platvorme, sealhulgas muud mobiilsüsteemid.
Paralleelselt integreeritakse Gemini 2.5 Flash Native Audio Kaksikud otseülekandes ja otsingus Seda hakatakse Google'i rakenduse kasutajatele Androidis ja iOS-is kättesaadavaks tegema alates Ameerika Ühendriikidest. Kui need funktsioonid küpsevad ja läbivad esialgse testimise ja kohandamise etapi, eeldatakse, et need jõuavad ka teistesse piirkondadesse. rohkem riike, arvatavasti ka Euroopa turge, kus tõlke- ja häälassistentide järele on eriti suur nõudlus.
Google on teatanud ka oma kavatsusest lisada see hääle- ja tõlkekogemus ka teistesse toodetesse, sealhulgas Gemini APILähikuudel ja -aastatel avaks see Euroopa ettevõtetele sellistes sektorites nagu turism, logistika, haridus ja avalik haldus ukse nende võimekuste otse oma teenustesse integreerimiseks.
Ettevõte esitleb neid uusi funktsioone osana laiemast strateegiast, mis võimaldab arendajatel Loo loomuliku häälega vestlusagente Nüüdsest alates, kasutades ära nii Gemini 2.5 Flash Native Audio kui ka teisi 2.5 Flashi ja Pro perekonna mudeleid, mis on suunatud kontrollitumale hääle genereerimisele (tooni, kavatsuse, kiiruse jne reguleerimine) ja raamidele, näiteks Agentse tehisintellekti fond.
Selle täiustuste komplektiga kinnitab Google ideed, et hääl saab olema üks peamisi tehisintellektiga suhtlemise kanaleid: alates assistentidest, kes tegelevad kliendikõnedega ja töötlevad keerulisi toiminguid, kuni sünkroontõlkesüsteemideni, mis hõlbustavad suhtlust inimeste vahel, kes ei jaga sama keelt. Selle ettevõtmise keskmes on Gemini 2.5 Flash Native Audio, mis peenhäälestab nii hääle mõistmist kui ka väljendust. et muuta tehnoloogia igapäevaelus kasulikumaks ja vähem pealetükkivaks, oodates selle täielikku kasutuselevõttu Euroopas ja teistel turgudel.
Olen tehnoloogiahuviline, kes on muutnud oma "nohikese" huvidest elukutse. Olen veetnud üle 10 aasta oma elust tipptehnoloogiat kasutades ja puhtast uudishimust igasuguste programmide kallal nokitsenud. Nüüd olen spetsialiseerunud arvutitehnoloogiale ja videomängudele. Seda seetõttu, et rohkem kui 5 aastat olen kirjutanud erinevatele tehnoloogia ja videomängude veebisaitidele, luues artikleid, mille eesmärk on anda teile vajalikku teavet kõigile arusaadavas keeles.
Kui teil on küsimusi, siis minu teadmised ulatuvad kõigest, mis on seotud nii Windowsi operatsioonisüsteemiga kui ka Androidiga mobiiltelefonidele. Ja ma olen pühendunud teile, olen alati nõus kulutama paar minutit ja aitama teil lahendada kõik küsimused, mis teil selles Interneti-maailmas tekkida võivad.