谷歌Gemini 2.5 Flash原生音频模型发布：实时翻译与情感交互的突破

谷歌近日发布了Gemini 2.5 Flash原生音频模型，该模型不仅能够在实时语音翻译中精准保留说话者的语调，还使得人工智能在执行复杂指令和进行多轮对话时，表现得如同人类一般自然流畅。这一重大更新标志着AI技术从简单的“文本转语音”迈向了真正的“拟人化交互”时代。

想象一下这样的场景：

你戴着耳机走在印度孟买繁忙的街头，周围是喧闹的叫卖声和完全听不懂的印地语。

这时，一位当地大叔急匆匆地用印地语向你问路，语速很快，声音中透露出焦急的情绪。

如果是以前，你可能需要慌乱地拿出手机，打开翻译应用，按下录音键，尴尬地把手机递到他面前，然后听着设备发出冰冷、机械的翻译声音。

Nano Banana Pro制图

但现在，情况完全不同了。

你只需站在原地，耳机里便会直接传来流利的中文翻译：“嘿！朋友，麻烦问一下，火车站是不是往这边走？”

最令人惊叹的是，这句中文翻译不仅意思准确，甚至连大叔那种焦急、气喘吁吁的语调都被完美地复制了出来！

你可以用中文回应，耳机会自动将你的声音转换成印地语传递给对方，并且保留了你热情的语气。

这不仅是科幻电影中《巴别塔》的再现，更是谷歌本周推出的重磅产品——Gemini 2.5 Flash Native Audio（原生音频模型）所带来的变革。

今天，我们就来深入探讨这次更新的强大之处。

所谓的「原生音频」，到底强在哪？

许多人可能会疑惑：“现在的手机不都具备朗读功能吗？这有什么特别的？”

这里存在一个巨大的误解。

以往的AI语音交互流程是这样的：接收声音 -> 转换为文本 -> AI处理文本 -> 生成文本回复 -> 再转换为语音输出。

这个过程不仅缓慢，而且在多次转换中，语气、停顿、情感这些人类沟通中至关重要的元素，几乎全部丢失。

而谷歌此次发布的Gemini 2.5 Flash Native Audio，其核心就在于“Native（原生）”这个词。

它无需先将声音转为文本再转回语音，而是直接处理音频、直接思考、直接生成语音。

举个例子，这就像你与外国人交流时，从前需要在大脑中拼命查词典，现在却已经形成了“语感”，能够脱口而出。

此次更新中，谷歌不仅增强了Gemini 2.5 Pro和Flash的文本转语音模型，提升了控制精度，更重要的是，它让实时语音代理（Live Voice Agents）成为现实。

这意味着什么？

意味着在Google AI Studio、Vertex AI，甚至是搜索（Search Live）中，你不再是与一个冰冷的机器对话，而是在与一个具备“思考能力”和“听觉能力”的智能体进行实时的思维碰撞。

耳机里的「同声传译」，打破语言的巴别塔

在这次更新中，最让普通用户兴奋的莫过于实时语音翻译（Live Speech Translation）功能。

谷歌此次并未空谈，该功能已开始在美国、墨西哥和印度的安卓设备上，通过Google翻译应用进行Beta测试（iOS用户请稍候，即将推出）。

这个功能有两个杀手锏，直击用户痛点：

持续监听与双向对话：真正的「无感」翻译

以往使用翻译软件，最烦人的莫过于需要反复点击“说话”按钮。

现在，Gemini支持持续监听。

你可以将手机放在口袋里，戴上耳机，Gemini会自动将周围环境中的多种语言实时翻译成你的母语。

这就像随身携带了一位隐形的翻译官。

而在双向对话模式下，它更加智能。

例如，你会说英语，想与一位说印地语的人交谈。

Gemini能够自动识别说话者。

你在耳机中听到的是英语，而当你说完话后，手机会自动外放印地语给对方听。

你无需手动切换“现在我说”或“现在他说”，系统完全自动处理。

风格迁移：连「情绪」都能翻译

这是最令人震撼的功能——Style Transfer（风格迁移）。

传统的翻译是“没有感情”的朗读机器。

但Gemini利用其原生音频能力，能够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充满欢乐；

如果对方语气低沉、犹豫不决，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。

这不仅仅是理解语义，这是理解态度。

在商务谈判或争论场合，这个功能显得尤为重要！

此外，它还支持：

• 70多种语言和2000多个语言对：覆盖全球绝大多数人的母语。
• 多语言混合输入：即使对话中夹杂多种语言，它也能同时理解，无需手动切换。
• 噪声鲁棒性：专门针对嘈杂环境优化，能过滤背景噪音。即使你在喧闹的户外市场，也能清晰听译。

开发者狂喜，这个AI终于「听懂人话」了

对于开发者或希望为企业构建客服AI的人来说，Gemini 2.5 Flash Native Audio带来的三项底层能力提升，无疑是“及时雨”。

函数调用更精准

以往的语音助手，当涉及查询天气、航班等需要调用外部数据的操作时，常常会卡壳或回答生硬。

现在的Gemini 2.5，知道何时该获取实时信息，并能将查询到的数据无缝融入语音回复中，不会打断对话的流畅性。

在专门测试复杂多步骤函数调用的ComplexFuncBench Audio评估中，Gemini 2.5获得了71.5%的高分，表现突出。

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

指令遵循更听话

你是否经常觉得AI难以理解复杂指令？

谷歌此次付出了巨大努力。

新模型对开发者指令的遵循率从84%提升至90%！

这意味着，如果你要求AI“以特定格式回答，语气严厉，避免冗长”，它能更准确地执行你的要求。

对于构建企业级服务而言，这种可靠性才是核心竞争力和控制。

对话更丝滑

多轮对话一直是AI的难题。

常常聊着聊着，AI就忘记了之前的内容。

Gemini 2.5在上下文检索方面取得了显著进展。

它能更有效地记住之前的对话，使整个交流过程不仅连贯，而且富有逻辑性。

结合原生音频的低延迟，你会感觉对面真的坐着一个人。

我们离「贾维斯」还有多远？

谷歌的这次更新，实际上传递了一个明确信号：

语音交互正成为下一个时代的入口。

从Gemini Live到Search Live，再到耳机内的实时翻译，谷歌正将AI从屏幕中解放出来，融入我们的听觉世界。

对于普通用户：语言障碍正被技术消除。

明年（2026年），这一功能将通过Gemini API扩展到更多产品中。

未来，或许我们真的不再需要花费数年时间痛苦地背诵单词，一副耳机就能让我们畅游世界。

对于企业：构建一个能听、会说、能办事、有情感的下一代AI客服，门槛正大幅降低。

彩蛋

除了原生音频模型，谷歌还推出了一个实验性产品——Disco。

这是Google Labs的新探索工具，用于测试未来网络创意。

它内置了基于谷歌最强模型Gemini 3打造的GenTabs功能。

谷歌坦言，目前仍处于早期阶段，并非所有功能都能完美运行。

最令人惊叹的是，它能理解你的需求。

GenTabs通过主动解析复杂任务（依据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协助完成任务，从而优化网络浏览体验。

无需编写任何代码，它就能将你杂乱无章的标签页和聊天记录，“变”成一个专属的交互式应用。

想要制定每周餐谱？想教孩子认识行星？

只需用自然语言告诉它，它会自动生成相应工具，所有数据都有据可查，绝不虚构。

目前macOS版已开放排队，尽管仍是早期实验版，但这无疑将“浏览”提升到了“创造”的层次。

赶快行动，这波未来感十足！

One More Thing

技术进步的脚步常常超乎我们的想象。

昨天我们还在调侃Siri听不懂人话，今天Gemini已开始协助我们进行跨语言的情感交流。

别只是旁观，Gemini 2.5 Flash Native Audio现已在Vertex AI全面上线，Google AI Studio中也已开放试用。

快去亲身体验一下吧！

或许当AI首次用你的语气说出一句外语时，你会真切地意识到——未来已至。

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/