Gemini2.5 版本发布：原生音频功能赋能，AI 对话体验再升级

AIbase 基地 2025 年 6 月 5 日消息，谷歌近日更新的 Gemini2.5 版本在 AI 音频对话和生成技术方面实现重大突破。作为多模态 AI 系统，Gemini2.5 可原生理解和生成文本、图像、音频、视频及代码，其新增的实时音频对话功能与可控文本转语音技术，显著提升了人机交互的自然度与灵活性。

一、实时音频对话：自然交互的全面革新

Gemini2.5 的实时音频对话功能深度模拟人类交流特性，实现了低延迟、高表现力的互动体验：

• 自然对话体验：提供高质量语音交互，精准还原语调、韵律及情感变化，对话流畅自然，延迟极低。
• 风格自定义控制：用户可通过自然语言提示调整对话风格，包括选择口音（如英式、美式英语）、语气（如欢快、严肃），甚至以耳语方式交流。
• 工具集成与实时响应：对话中可调用 Google 搜索等工具获取实时信息，同时能识别背景噪声并忽略无关对话，确保在合适时机作出准确回应。
• 多模态协同能力：支持实时音频和视频流，可与用户讨论视频内容或屏幕共享信息，增强交互的场景适应性。
• 全球化语言支持：覆盖 24 种以上语言，并能在同一对话中灵活切换，满足多语言用户需求。
• 情感与逻辑双重升级：根据用户语调识别情感差异并作出反应，同时凭借强大推理能力提升复杂问题对话的连贯性。

二、可控文本转语音技术：精准塑造音频表达

Gemini2.5 的文本转语音（TTS）技术实现了从 “生成语音” 到 “控制表达” 的跨越：

• 动态表现优化：可生动朗读诗歌、新闻、故事等内容，支持特定情感（如悲伤、兴奋）和口音的演绎，适配多样化场景需求。
• 细节参数调节：用户可自由控制语音速度，并精准校准特定词汇的发音，确保内容传达的准确性。
• 多角色对话生成：能根据文本生成双人对话音频，为播客、视频游戏等场景提供更具吸引力的内容形式。
• 多语言音频生成：支持 24 种语言的音频输出，轻松实现全球化内容创作。

三、技术安全与开发者生态

为确保 AI 生成内容的透明性，Gemini2.5 在音频输出中嵌入SynthID 水印技术，便于识别 AI 生成内容。开发者可通过 Google AI Studio 或 Vertex AI 的 Gemini API，利用原生音频功能构建互动应用，例如：

• 在 Google AI Studio 试用实时音频对话，开发智能客服、语音助手等应用；
• 通过可控文本转语音技术生成公告、故事 narration 或游戏角色语音，推动音频内容创新。

Gemini2.5 的发布标志着 AI 交互从 “文字为主” 向 “全模态自然交流” 的重要跨越，其音频功能的灵活性与可控性，为教育、娱乐、客服等领域带来了更具沉浸感的应用可能。