Gemini 2.5 Flash Yerel Ses: Google'ın yapay zekâ sesinin değişimi işte böyle gerçekleşiyor.

Google, yapay zeka ekosisteminin evriminde önemli bir güncellemeyle bir adım daha ileriye gitti. Gemini 2.5 Flash Yerel SesBu model, sesi gerçek zamanlı olarak anlamak ve üretmek üzere tasarlanmıştır. Bu teknoloji, sesli etkileşimleri daha etkili hale getirmeyi amaçlamaktadır. insani bir sohbete daha yakınhem günlük hayatta hem de profesyonel ortamlarda.

Bir asistana "ses eklemekten" çok daha öte ve diğer seçeneklerle karşılaştırıldığında... sesli yapay zeka karşılaştırmalarıBu model şu amaçla tasarlanmıştır: doğal, işlevsel ve bağlamsal diyalogları sürdürmek için, Ek bilgi arama konusunda karar vermek ve konuşmanın akışını bozmadan karmaşık talimatları yönetmek.Google bu hamleyle, yapay zeka hizmetleriyle etkileşimde birincil yöntem olarak sese olan bağlılığını pekiştiriyor.

Gemini 2.5 Flash Native Audio nedir ve nerelerde kullanılıyor?

Gemini 2.5 Flash Native Audio, Google'ın yerel ses modelinin en yeni sürümüdür ve şu özelliklere sahiptir: Sesli olarak dinleyin, anlayın ve yanıt verin. Gerçek zamanlı olarak çalışır. Sadece konuşma sentezine odaklanan önceki sistemlerin aksine, bu motor sesi hem giriş hem de çıkış olarak aynı anda işleyecek şekilde tasarlanmıştır ve bu da onu özellikle konuşma asistanları için uygun hale getirir.

Şirket bu sürümü halihazırda birçok önemli platformuna entegre etti: Google AI Studio, Vertex AI, Gemini Live ve Search LiveBu, hem geliştiricilerin hem de şirketlerin inşaata başlayabileceği anlamına geliyor. gelişmiş sesli asistanlar Google'ın en yeni konuşma tabanlı yapay zeka deneyimlerine güç veren aynı teknolojiyi kullanıyor.

Pratikte, kullanıcılar bu değişiklikleri aşağıdaki gibi deneyimlerinde fark edeceklerdir: İkizler Canlı (Asistanla sesli konuşma modu) veya Canlı Arama Google uygulamasının yapay zeka modunda, konuşulan yanıtlar sesli olarak veriliyor. daha ifade edici, daha net ve daha iyi bağlamlandırılmışDahası, asistandan daha yavaş konuşmasını isteyerek, konuşmanın temposunu doğal bir şekilde ayarlayabilirsiniz.

Google'ın kendisinin ötesinde, bu yetenekler üçüncü taraflara da sunulmuştur. Vertex AI ve Gemini APIböylece diğer şirketler de yaratabilsin özerk ajanlar Sesli, sanal resepsiyonistler veya aynı düzeyde ses gelişmişliğine sahip yardım araçları.

Daha doğru harici fonksiyonlar ve daha iyi puan alan modeller

Gemini 2.5 Flash Native Audio'nun en büyük ilerlemeyi kaydettiği alanlardan biri de şu yeteneğidir: harici fonksiyonları çağırınBasitçe ifade etmek gerekirse, model artık karar verme konusunda daha güvenilir. gerçek zamanlı hizmetlere veya verilere danışmanız gerektiğindeÖrneğin, güncellenmiş bilgileri almak, siparişin durumunu kontrol etmek veya otomatik bir işlemi başlatmak için.

Google, bu artan hassasiyetin, eylemleri tetiklerken daha az hataya yol açtığını ve asistanın yetersiz kaldığı veya erken davrandığı garip durumları azalttığını belirtiyor. Sistem şu yeteneklere sahip: Alınan verileri sesli yanıta ekleyin. Kullanıcının konuşmada herhangi bir ani kesinti algılamaması sağlanır.

Bu ilerlemeleri ölçmek için şirket, modeli aşağıdaki gibi testlere tabi tutmuştur: ComplexFuncBench Ses SistemiKısıtlamalar içeren çok aşamalı görevlere odaklanan bir değerlendirme platformunda, Gemini 2.5 Flash Native Audio bu senaryoda yaklaşık olarak şu performansı göstermiştir: Karmaşık işlevlerin yürütülmesinde %71,5 başarı oranı.Bu özelliğiyle, bu tür kullanımda önceki sürümlerin ve diğer rakip modellerin önüne geçiyor.

Bu performans, özellikle aşağıdaki gibi karmaşık otomatik iş akışlarına ihtiyaç duyulan bağlamlarda büyük önem taşımaktadır: çağrı merkezleri, teknik destek veya işlem işleme (Örneğin, finansal veya idari görevler gibi) her adımın bir öncekine bağlı olduğu ve hata payının çok az olduğu durumlar.

Daha iyi talimat takibi ve daha tutarlı konuşma dizileri

Güncellemenin bir diğer odak noktası da modelin nasıl işleyeceği üzerine. Talimatları yorumlayın ve bunlara uyun. Bu veriler hem son kullanıcılardan hem de geliştiricilerden geliyor. Google tarafından yayınlanan verilere göre, talimatlara uyma oranı %84'ten düştü. %90 uyumlulukBu, aslında sorulanlarla daha uyumlu yanıtlar anlamına gelir.

Bu sıçrama, gerekli olduğu görevlerde kilit öneme sahiptir. karmaşık talimatlar, birden fazla adım veya birden fazla koşulÖrneğin, belirli bir üslupta açıklama talep ederken, belirli zaman kısıtlamalarıyla özet isterken veya birbirine bağlı çeşitli kararlara bağlı bir iş akışı oluştururken.

Bununla bağlantılı olarak, Gemini 2.5 Flash Native Audio şu yeteneği kazandı: Önceki mesajların bağlamını alınÇok turlu konuşmalarda, model söylenenleri, kullanıcının ortaya koyduğu nüansları ve diyalog boyunca yapılan düzeltmeleri daha iyi hatırlar.

Konuşma hafızasındaki bu gelişme, aynı bilgiyi tekrar tekrar söyleme ihtiyacını azaltır ve etkileşimleri daha etkili hale getirmeye yardımcı olur. daha sorunsuz ve daha az sinir bozucuBu deneyim, her cevaba sıfırdan başlamak yerine, bir kişiyle konuya kaldığı yerden devam ederek konuşmaya daha çok benziyor.

Gerçek dünya kullanım örnekleri: e-ticaretten finansal hizmetlere

Google, iç ölçümlerin ötesinde, Gemini 2.5 Flash Native Audio'nun pratik etkisini göstermek için müşteri örneklerine güveniyor. E-ticaret sektöründe ise Shopify, bu özellikleri asistanına entegre etti. ArkadaşBu da perakendecilerin mağazalarını yönetmelerine ve işletmeyle ilgili şüpheleri gidermelerine yardımcı oluyor.

Şirketin açıklamasına göre, birçok kullanıcı Hatta bir yapay zekâyla konuştuklarını bile unutuyorlar. Birkaç dakikalık konuşmanın ardından, kullanıcı uzun bir sorunun ardından bota teşekkür bile etti. Bu tür bir tepki, doğallık ve üsluptaki gelişmelerin teknolojinin yavaş yavaş geri plana itilmesine neden olduğunu gösteriyor.

Finans sektöründe, sağlayıcı Birleşik Toptan İpotek (UWM) Şirket, ipotekle ilgili süreçleri yönetmek için modeli "Mia" asistanına entegre etti. Gemini 2.5 ve diğer dahili sistemlerin birleşimiyle şirket, şunları iddia ediyor: 14.000'den fazla kredi işlemi gerçekleştirildi. Ortakları için, doğruluk ve mevzuata uygunluk gerektiren otomatik etkileşimlere güvenmektedir.

Girişim şirketi ise kendi açısından Newo.ai Gemini 2.5 Flash Native Audio'yu Vertex AI aracılığıyla kullanarak çalışır. sanal resepsiyonistlerBu sesli asistanlar, gürültülü ortamlarda bile ana konuşmacıyı belirleyebiliyor, konuşma sırasında dil değiştirebiliyor ve iletişimi sürdürebiliyor. Duygusal nüanslar içeren doğal bir ses tonuBu da müşteri hizmetlerinde çok önemlidir.

Gerçek zamanlı sesli çeviri: daha fazla dil ve daha fazla nüans

Bu sürümdeki en dikkat çekici yeniliklerden biri şudur: canlı sesli çeviriBaşlangıçta Google Translate uygulamasına entegre edilen Gemini 2.5 Flash Native Audio, sesi metne dönüştürmenin veya parçalı çeviriler sunmanın ötesine geçerek daha sürükleyici bir deneyim sağlıyor. simultane çeviri İnsan yorumuna daha yakın.

Sistem şu modlarda çalışabilir: sürekli dinlemeBu özellik, kullanıcının kulaklık takarak çevresinde olup bitenleri kendi diline çevrilmiş olarak duymasını sağlar; böylece her cümle için duraklatmaya veya düğmelere basmaya gerek kalmaz. Bu seçenek, seyahat ederken, uluslararası toplantılara katılırken veya birden fazla dilin kullanıldığı etkinliklerde faydalı olabilir.

Aşağıdaki durumlar da dikkate alınmıştır. iki yönlü konuşmaÖrneğin, bir kişi İngilizce, diğeri Hintçe konuşursa, kulaklıklar gerçek zamanlı olarak İngilizce çeviriyi çalarken, telefon ilk kişi konuşmayı bitirdikten sonra Hintçe çeviriyi çalar. Sistem, kullanıcının konuşma sırası arasında ayarları değiştirmesine gerek kalmadan, konuşan kişiye bağlı olarak çıkış dilini otomatik olarak değiştirir.

Bu fonksiyonun en önemli özelliklerinden biri, şu yeteneğe sahip olmasıdır: orijinal tonlamayı, ritmi ve sesi koruyun Konuşmacının ses tonuna yakın bir çeviri elde edilir. Bu da çevirilerin daha az robotik ve konuşmacının ses tonuna daha yakın olmasını sağlayarak anlaşılmasını kolaylaştırır ve deneyimi daha doğal hale getirir.

Dil desteği, otomatik algılama ve gürültü filtreleme

Dilsel kapsam açısından, Gemini 2.5 tabanlı ses çevirisi şu konularda destek sunmaktadır: 70'ten fazla dil ve yaklaşık 2.000 çeviri çiftiModelin dünya çapındaki bilgi birikimini çok dilli ve yerel seslendirme yetenekleriyle birleştiren bu araç, diğer araçlar tarafından her zaman önceliklendirilmeyen birçok dil kombinasyonu da dahil olmak üzere geniş bir yelpazedeki dil kombinasyonlarını kapsayabilir.

Sistem yönetebilir. çok dilli giriş Tek bir oturumda, kullanıcının her dil değiştirme işleminde ayarları manuel olarak değiştirmesine gerek kalmadan birden fazla dili aynı anda anlayabilir. Bu özellik, özellikle birkaç dilin doğal olarak birbirine karıştığı konuşmalarda çok kullanışlıdır.

Sayesinde konuşulan dilin otomatik algılanmasıKullanıcının muhatabının hangi dilde iletişim kurduğunu önceden bilmesine gerek yoktur: model dili belirler ve anında çeviriye başlar, böylece sürtünme ve ara adımlar azalır.

Gemini 2.5 Flash Native Audio ayrıca şu mekanizmaları da içerir: gürültüye karşı dayanıklılıkOrtam seslerinin bir kısmını filtreleyerek ana sese öncelik verebiliyor, böylece kalabalık caddelerde, açık alanlarda veya arka planda müzik olan yerlerde daha rahat konuşmalar yapılabiliyor.

Avrupa için kullanılabilirlik, dağıtım ve gelecek beklentileri

Bu modele dayalı canlı ses çevirisi şu anda mevcuttur. Google Translate uygulamasında beta aşaması Google, hizmetin ABD, Meksika ve Hindistan gibi pazarlardaki Android cihazlar için kademeli olarak kullanıma sunulacağını doğruladı. daha fazla bölge ve platformDiğer mobil sistemler de dahil olmak üzere.

Buna paralel olarak, Gemini 2.5 Flash Native Audio'nun entegrasyonu da gerçekleştiriliyor. Gemini Live ve Search Live Bu özellik, Amerika Birleşik Devletleri'nden başlayarak Android ve iOS'taki Google uygulaması kullanıcılarına kademeli olarak sunuluyor. Bu özellikler olgunlaştıkça ve ilk test ve uyarlama aşamalarını geçtikçe, diğer bölgelere de gelmesi bekleniyor. Avrupa pazarları da dahil olmak üzere daha fazla ülkeÖzellikle çeviri ve sesli asistanlara olan talebin yüksek olduğu yerlerde.

Google ayrıca bu sesli ve çeviri deneyimini diğer ürünlerine de entegre etme niyetini açıkladı. İkizler API'siÖnümüzdeki aylarda ve yıllarda bu durum, turizm, lojistik, eğitim ve kamu yönetimi gibi sektörlerdeki Avrupalı ​​şirketlerin bu yetenekleri doğrudan kendi hizmetlerine entegre etmelerinin önünü açacaktır.

Şirket, geliştiricilerin daha geniş bir strateji çerçevesinde bu yeni özellikleri sunmasını sağlıyor. doğal ses tonuna sahip konuşma ajanları oluşturun. Bundan böyle, Gemini 2.5 Flash Native Audio'nun yanı sıra 2.5 Flash ve Pro ailesindeki diğer modellerin daha kontrollü ses üretimine (ton, niyet, hız vb. ayarlama) yönelik özelliklerinden ve çerçevelerden yararlanılacaktır. Agentic Yapay Zeka Vakfı.

Google, bu iyileştirmelerle, sesin yapay zekâ ile etkileşimin ana kanallarından biri olacağı fikrini güçlendiriyor: müşteri aramalarını yöneten ve karmaşık işlemleri gerçekleştiren asistanlardan, aynı dili konuşmayan insanlar arasında iletişimi kolaylaştıran eş zamanlı çeviri sistemlerine kadar. Gemini 2.5 Flash Native Audio, bu girişimin merkezinde yer alarak hem ses anlama hem de ses ifadesini ince ayar yapıyor. Teknolojinin Avrupa ve diğer pazarlarda tam olarak kullanıma sunulmasını beklerken, onu günlük hayatta daha kullanışlı ve daha az rahatsız edici hale getirmek.

İlgili makale:

Voice.ai, ElevenLabs ve Udio: Yapay zeka seslerinin tam karşılaştırması

Alberto navarro

Ben "inek" merakını mesleğe dönüştürmüş bir teknoloji tutkunuyum. Hayatımın 10 yıldan fazlasını en son teknolojiyi kullanarak ve sırf merakımdan dolayı her türlü programı kurcalayarak geçirdim. Artık bilgisayar teknolojisi ve video oyunları konusunda uzmanlaştım. Bunun nedeni, 5 yılı aşkın bir süredir teknoloji ve video oyunlarıyla ilgili çeşitli web sitelerinde yazılar yazıyor olmam ve ihtiyacınız olan bilgileri herkesin anlayabileceği bir dilde size vermeye çalışan makaleler oluşturmamdır.

Sorularınız varsa bilgim Windows işletim sistemi ve cep telefonları için Android ile ilgili her şeyi kapsar. Ve size olan bağlılığımdır, her zaman birkaç dakikamı ayırmaya ve bu internet dünyasında aklınıza gelebilecek her türlü soruyu çözmenize yardımcı olmaya hazırım.