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。
实时音频对话
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:
- 自然对话:提供高质量的语音交互，展现出适当的表现力和韵律，使得对话流畅自然，延迟极低。
- 风格控制:用户可以通过自然语言提示，自定义对话的语调、口音及情感表达，甚至可以进行耳语。
- 工具集成:在对话过程中，Gemini2.5可以调用工具和函数，实时获取来自Google搜索等源的信息，增强对话的实用性。
- 对话上下文感知:该系统能够识别并忽略背景噪声和无关对话，确保在适当时机作出响应。
- 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。
- 多语言支持:支持24种以上的语言，能够在同一对话中灵活切换语言。
- 情感对话:根据用户的语调做出反应，理解不同表达方式的情感差异。
可控文本转语音技术
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。
- 动态表现:可对文本进行生动的朗读，适用于诗歌、新闻播报及故事讲述，支持特定情感和口音的演绎。
- 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:能够根据文本输入生成双人对话音频，使内容更具吸引力。
- 多语言音频生成:轻松生成多语言音频内容，支持24种语言。
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GoogleAIStudio或VertexAI的GeminiAPI，构建更具互动性的应用。开发者可以在GoogleAIStudio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。
相关文章
