谷歌正式推出 Gemini 2.5 语音进阶功能，AI 对话迈入自然化新阶段

谷歌正式发布 Gemini 2.5 的全新语音对话与生成能力，标志着 AI 在语音理解和互动方面取得重大进展。该版本不仅支持超过 24 种语言的即时语音对话，还引入多项创新功能，包括情感识别、多语种混合对话、语音影片理解等，为开发者和用户带来前所未有的交互体验。

目前，Gemini 2.5 已集成至 NotebookLM 的语音概览 和 Project Astra 等 谷歌 产品中，进一步推动语音 AI 在实际场景中的落地应用。

🎙️ 自然流畅的语音互动体验

Gemini 2.5 Flash Preview 引入了原生语音对话功能，具备出色的表达能力和自然的语调韵律，能够实现接近人类水平的对话体验：

• 极低延迟响应，支持实时语音互动；
• 支持风格控制，可通过自然语言提示调整语气、口音、语速和情感表达；
• 可生成不同音调的语音输出，甚至支持“耳语”模式；
• 提供高精度发音控制，确保专业术语、特定词汇的准确朗读。

这些特性使得 Gemini 2.5 能够胜任从新闻播报、诗歌朗诵到角色扮演等多种语音生成需求。

💬 情感识别与环境过滤能力

Gemini 2.5 的一大亮点是其情感对话模型，能够根据用户的语调变化做出相应回应。相同文字在不同语气下可以触发不同的对话路径，使 AI 更加贴近真实的人际交流。

此外，系统经过训练，具备识别并忽略背景噪音、环境对话的能力，仅在合适时机进行回应，提升对话效率与沉浸感。

📺 视频语音融合：边看边聊的新交互方式

Gemini 2.5 还支持语音与视频同步理解，可在观看视频的同时进行语音对话。例如：

• 用户可就视频内容提问，AI 能结合画面信息作出回答；
• 支持通过屏幕共享进行讲解、互动教学或远程协作；
• 实时分析视频流并与用户讨论其中细节。

这一功能极大拓展了 AI 在教育、娱乐和企业沟通中的应用场景。

🌍 多语言支持与混合语句处理

Gemini 2.5 支持超过 24 种语言的语音对话，并且可以在同一句话中自由切换多种语言，满足跨文化沟通需求。

不过目前尚未包含普通话或粤语，预计将在后续更新中逐步完善。

🧠 文字转语音（TTS）技术全面升级

除了语音理解，Gemini 2.5 在语音生成方面也实现了飞跃：

• 可生成短句、长篇叙述等多种语音内容；
• 精确控制语调、节奏、情感表现；
• 支持动态语音效果，适用于故事讲述、播客制作、游戏配音等场景；
• 具备多说话者对话生成能力，能基于文本生成类似 NotebookLM 风格的双人语音对话概览。

这使得开发者可以轻松创建引人入胜的音频内容，如公告、有声书、电子游戏对话等。

⚙️ 开发者友好：Pro 与 Flash 两种预览版本可选

为满足不同使用场景，谷歌 提供两个版本供开发者选择：