Gemini 2.5版本引入原生音频特性，增强AI交流自然度
发布时间：2025-06-05 17:42:13 | 责任编辑：张毅 | 浏览量：22 次
在最近的开发更新中，谷歌更新了 Gemini2.5版本，标志着 AI 音频对话和生成技术的重大进步。Gemini2.5是一个多模态的 AI 系统，能够原生理解和生成文本、图像、音频、视频和代码，提升了用户与 AI 的互动体验。
Gemini2.5的实时音频对话功能使得人机交流变得更加自然。人类的对话往往涉及语调、口音以及非语言的声音（如笑声），这些细节都能通过 Gemini 的音频生成技术得到体现。其低延迟的特点使得交流流畅自然，用户可以通过自然语言调整对话的风格，如选择不同的口音和语气，甚至可以选择耳语的方式进行交流。
人类的对话丰富而细腻，表达的意义不仅依赖于说出的话，还体现在语气、口音及非语言的声音，如笑声。Gemini2.5旨在通过音频实现高效、实时的交流，其音频对话功能包括:
Gemini2.5的文本转语音（TTS）技术迎来了新突破，用户不仅可以生成自然的语音输出，还能对音频进行前所未有的控制。用户可以生成从短语到长篇叙述的内容，精确掌控风格、语调、情感和表现，所有这些均可通过自然语言提示进行调整。
在 Gemini2.5的开发过程中，谷歌对潜在风险进行了全面评估，并采取了相应的缓解策略。所有音频输出均嵌入了名为 SynthID 的水印技术，以确保 AI 生成音频的透明性和可识别性。
Gemini2.5为开发者提供了丰富的原生音频功能，允许他们通过 Google AI Studio 或 Vertex AI 的 Gemini API，构建更具互动性的应用。开发者可以在 Google AI Studio 的流选项卡中试用 Gemini2.5Flash 预览的原生音频对话，或选择可控的文本转语音生成，推动公告、故事、播客及视频游戏等应用的音频创新。
谷歌近期发布的Gemini 2.5版本在AI对话领域取得了重大突破，尤其是原生音频功能的加入，使得AI对话更加自然和富有表现力。
主要功能亮点
-
自然对话与低延迟：Gemini 2.5能够提供高质量的语音交互，展现出自然的韵律和表现力，同时保持极低的延迟，让对话体验流畅自然。
-
风格控制：用户可以通过自然语言提示自定义对话的语调、口音和情感表达，甚至可以选择耳语的方式进行交流。
-
情感对话：该系统能够检测用户声音中的情感并作出适当回应，理解不同语调下情感的差异。
-
多语言支持：支持超过24种语言，并且可以在同一对话中灵活切换语言。
-
工具集成：在对话过程中，Gemini 2.5可以调用工具和函数，例如实时获取来自Google搜索的信息，增强对话的实用性。
-
音视频理解：支持实时音频和视频流，能够与用户讨论视频内容或屏幕共享的信息。
文本转语音技术
Gemini 2.5的文本转语音（TTS）技术也得到了显著提升：
-
动态表现：可以生动地朗读文本，支持特定情感和口音的演绎，适用于诗歌朗诵、新闻播报及故事讲述。
-
速度与发音控制：用户可以控制语音的速度，并确保特定词汇的准确发音。
-
多说话人对话生成：能够生成双人对话音频，使内容更具吸引力。
安全性与透明性
为确保AI生成音频的透明性和可识别性，所有音频输出均嵌入了名为SynthID的水印技术。
开发者支持
Gemini 2.5为开发者提供了丰富的原生音频功能，允许他们通过Google AI Studio或Vertex AI的Gemini API构建更具互动性的应用。
本网站(https://aigc.izzi.cn)刊载的所有内容，包括文字、图片、音频、视频等均在网上搜集。
访问者可将本网站提供的内容或服务用于个人学习、研究或欣赏，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵犯本网站及相关权利人的合法权利。除此以外，将本网站任何内容或服务用于其他用途时，须征得本网站及相关权利人的书面许可，并支付报酬。
本网站内容原作者如不愿意在本网站刊登内容，请及时通知本站，予以删除。
上一篇： 机器人算法工程师是青春饭吗
下一篇： 生成式AI应用工程师
