Gemini 2.5 Flash 原生音訊：這就是Google AI 語音變化的方式

谷歌透過一項重大更新，在其人工智慧生態系統的發展過程中又邁出了重要一步。 Gemini 2.5 Flash 原生音訊該模型旨在即時理解和生成音訊。這項技術旨在提高語音互動的效率。 更接近人際對話無論在日常生活還是在職業環境中。

這遠非僅僅是為助手的回答“賦予聲音”，而且與其他選項相比， 語音人工智慧對比此型號專為 維持自然、功能性和脈絡性的對話, 決定何時尋求更多信息，以及在不中斷對話的情況下處理複雜的指令透過此舉，谷歌重申了其將語音作為與其人工智慧服務互動的主要方式的承諾。

Gemini 2.5 Flash Native Audio是什麼？它在哪裡使用？

Gemini 2.5 Flash Native Audio 是Google原生音訊模型的最新版本，能夠… 聆聽、理解並以聲音回應 即時處理。與以往僅專注於語音合成的系統不同，該引擎旨在同時處理音訊輸入和輸出，使其特別適合用於對話式助理。

該公司已將此版本整合到其幾個關鍵平台中： Google AI Studio、Vertex AI、Gemini Live 與 Search Live這意味著開發者和公司都可以開始構建 高級語音代理 採用與Google最新對話式人工智慧體驗相同的技術。

實際上，使用者會在以下體驗中註意到這些變化： 雙子座現場 （與助手進行語音對話的模式）或在 即時搜尋 在Google應用的AI模式下，語音回覆聽起來很悅耳。 更具表現力、更清晰、更貼近語境此外，你甚至可以請助手說慢一點，自然地調整對話節奏。

除了Google自身之外，這些功能也已透過以下方式提供給第三方： Vertex AI 和 Gemini API以便其他公司也能創建 個體經營者 語音助理、虛擬接待員或輔助工具，都具備同等程度的語音技術。

更精準的外部功能和更優質的型號

Gemini 2.5 Flash Native Audio 取得最大進步的領域之一是其處理能力： 呼叫外部函數簡單來說，該模型在決策方面現在更加可靠了。 當您需要查詢即時服務或資料時例如，用於檢索更新資訊、檢查訂單狀態或啟動自動化流程。

谷歌指出，這種更高的精確度意味著觸發操作時出錯率更低，從而減少了助手反應遲鈍或過早行動的尷尬情況。該系統能夠… 將檢索到的資料插入音訊回應中 用戶不會感覺到對話有任何突然中斷。

為了衡量這些進步，該公司對該模型進行瞭如下測試： ComplexFuncBench 音訊這是一個專注於具有約束條件的多階段任務的評估平台。在此場景下，Gemini 2.5 Flash Native Audio 取得了約 100% 的成績。 執行複雜功能的成功率為 71,5%使其優於先前的版本和同類產品中的其他競爭型號。

這種效能在需要複雜自動化工作流程的場景中尤其重要，例如： 呼叫中心、技術支援或交易處理 （例如財務或行政任務）其中每個步驟都依賴前一個步驟，幾乎沒有出錯的餘地。

更好的指令追蹤和更連貫的對話

這次更新的另一個重點是模型 理解並遵守指示 它從終端用戶和開發者那裡獲取資訊。根據Google發布的數據，指令遵守率已從 84% 下降到 90% 依從性這意味著回復要更符合實際要求。

這種飛躍在需要它的任務中至關重要。 複雜的指令、多個步驟或多個條件例如，當要求以特定風格進行解釋、要求在特定時間限制內提供摘要，或設定依賴多個相關決策的工作流程。

與此相關，Gemini 2.5 Flash Native Audio 獲得了以下功能： 取得先前訊息的上下文在多輪對話中，該模型能夠更好地記住所說的話、用戶引入的細微差別以及對話過程中所做的更正。

會話記憶力的提升減少了重複重複相同訊息的需要，有助於提高互動效率。 更流暢，更少令人沮喪這種體驗更像是與人交談，對方會接著上次中斷的話題繼續聊下去，而不是每次都從頭開始回答問題。

真實案例：從電子商務到金融服務

除了內部指標外，Google還依靠客戶案例來展示 Gemini 2.5 Flash Native Audio 的實際影響。在電子商務領域，Shopify 已將這些功能整合到其助理程式中。 Sidekick的，它可以幫助零售商管理他們的店鋪並解決有關業務的疑問。

據該公司稱，許多用戶 他們甚至忘記了自己是在和人工智慧對話。 經過幾分鐘的對話，用戶在提出冗長的問題後甚至向機器人表達了感謝。這種反應表明，自然流暢的溝通方式和語氣的提升，正讓技術在不知不覺中退居次要地位。

在金融領域，服務提供者 聯合批發抵押貸款公司 (UWM) 該公司已將該模型整合到其「Mia」助手系統中，用於管理抵押貸款相關流程。該公司聲稱，結合Gemini 2.5和其他內部系統，已實現… 已處理超過14.000筆貸款 對於其合作夥伴而言，依賴需要準確性和合規性的自動化互動。

就其本身而言，這家新創公司 Newo.ai 它使用基於 Vertex AI 的 Gemini 2.5 Flash Native Audio 來驅動其 虛擬接待員這些語音助理即使在嘈雜的環境中也能識別主要說話者，能夠在對話過程中切換語言，並保持… 自然的聲音音色，帶有情感上的細微差別這在客戶服務中至關重要。

即時語音翻譯：支援更多語言，更能捕捉細微差別

此版本中最引人注目的新增內容之一是： 即時語音翻譯Gemini 2.5 Flash Native Audio 最初整合到 Google Translate 應用中，它不僅限於將音訊轉換為文字或提供片段式翻譯，還能帶來更沉浸式的體驗。 同聲傳譯 更接近人類的解讀。

該系統可以以以下模式運作： 持續聆聽這樣一來，使用者只需戴上耳機，就能聽到周圍環境翻譯成自己母語的聲音，無需暫停或逐句按鍵。這項功能在旅行、參加國際會議或涉及多種語言的活動中非常實用。

也考慮了以下情況： 雙向對話例如，如果一人說英語，另一人說印地語，耳機會即時播放英語翻譯，而手機則會在第一人說完後播放印地語翻譯。系統會根據說話者自動切換輸出語言，無需使用者在輪流發言時更改設定。

該功能最相關的細節之一是它能夠： 保持原有的音調、節奏和音色 這使得翻譯聽起來不那麼機械，更接近說話者的語調，從而更容易理解，也讓體驗更加自然。

語言支援、自動偵測和雜訊過濾

就語言範圍而言，基於 Gemini 2.5 的語音翻譯支援以下語言： 支援超過70種語言和約2.000個翻譯對該模型結合了其世界知識、多語言和母語音訊功能，可以涵蓋廣泛的語言組合，包括許多其他工具並不總是優先考慮的語言組合。

該系統可以管理 多語言條目 在單次會話中，它可以同時理解多種語言，而無需使用者每次切換語言時手動調整設定。這項功能在自然混合使用多種語言的對話中尤其實用。

多虧了 自動偵測口語使用者無需事先知道對話者使用的語言：該模型能夠識別語言並立即開始翻譯，從而減少摩擦和中間步驟。

Gemini 2.5 Flash Native Audio 也包含以下機制： 抗噪音穩健性它可以過濾掉一些環境噪音，優先顯示主要人聲，從而在繁忙的街道、空曠的場所或有背景音樂的地方進行更舒適的對話。

歐洲的可用性、部署和前景

基於此模型的即時語音翻譯目前已可用 Google 翻譯應用程式的測試階段 適用於美國、墨西哥和印度等市場的安卓設備。谷歌已確認，該服務將逐步推出。 更多地區和平台包括其他移動系統。

同時，Gemini 2.5 Flash Native Audio 的集成 Gemini Live 和 Search Live 這項功能正逐步向安卓和iOS平台的Google應用用戶推出，首先在美國上線。隨著這些功能日趨完善，並通過初步測試和適配階段，預計也將陸續推廣到其他地區。 更多國家，大概包括歐洲市場其中，對翻譯和語音助理的需求尤其高。

谷歌也宣布計劃將這種語音和翻譯體驗整合到其他產品中，包括… 雙子座 API在接下來的幾個月和幾年裡，這將為歐洲旅遊、物流、教育和公共管理等行業的公司打開大門，使他們能夠直接將這些能力整合到自己的服務中。

該公司推出這些新功能，是其旨在幫助開發者實現更廣泛策略的一部分。 建構具有自然語音的對話代理 從現在開始，我們將利用 Gemini 2.5 Flash Native Audio 以及 2.5 Flash 和 Pro 系列中的其他型號，以實現更可控的語音生成（調整音調、意圖、速度等）和幀等功能。 智慧人工智慧基金會.

透過這一系列改進，Google進一步強化了語音將成為與人工智慧互動的主要管道之一的理念：從處理客戶來電和處理複雜操作的助手，到促進語言不通的人們之間溝通的同聲傳譯系統。 Gemini 2.5 Flash Native Audio 是這項工作的核心，它能夠微調語音理解和表達。 在等待該技術在歐洲和其他市場全面部署的同時，使其在日常生活中更加實用且更少干擾。