Google 公布 DolphinGemma：把海豚叫声塞进 Pixel 手机实时解析

想象一下，你拿着一部普通的智能手机潜入巴哈马的清澈海水中，不仅能实时听懂海豚在叫什么，还能在它们发出声音的瞬间，生成符合海豚社交语法的回应。

4 月 14 日全美海豚日当天，Google 联合佐治亚理工学院以及野生海豚项目（Wild Dolphin Project，简称 WDP），公布了名为 DolphinGemma 的全新 AI 模型。它是一个专门用来解码海豚声音结构，并能生成海豚逼真发声的基础模型。

拿大语言模型那套，去猜海豚的「下一个词」

WDP 从 1985 年开始就在巴哈马群岛跟踪一群野生大西洋斑纹海豚，坚持了整整四十年。研究人员记录下了海豚的代际繁衍、水下行为视频，以及海量的声音档案。比如海豚母子相认时专用的「标志性口哨」、打架时发出的突发脉冲叫声，以及求偶或追逐鲨鱼时的咔哒声。

海豚的声音数据极其庞大，靠人工标记规律耗时耗力。Google 拿出的解法很直接：把用于人类语言的序列预测技术，搬到海洋里。

DolphinGemma 的参数量约为 4 亿（400M）。它基于 Google 的 Gemma 开源模型架构，利用 Google 的 SoundStream 音频分词器把海豚声音转成特征表示。

这套模型采用「音频进、音频出」的架构。就像大语言模型预测句子里下一个单词一样，DolphinGemma 会在海豚发出前奏声音时，预测下一个可能出现的发声序列，从而理出海豚自然交流里的潜在语法和模式。

把 Pixel 手机装进水下电脑，当海豚的同传翻译

除了被动分析，研究团队更想试试能不能和海豚进行实时互动。佐治亚理工学院与 WDP 早前联合开发了一套名为 CHAT 的水下交互系统。

研究人员并没有一开始就强行去破译海豚庞大深奥的自然语言，而是反其道而行：设计几种海豚叫声里没有的人造哨声，分别对应马尾藻、海草、围巾这些海豚爱玩的物件。人类研究员先在海豚面前互相用哨声索要玩具做演示，让好奇的海豚学会模仿，从而建立起一套简单的「共享词汇」。

这套设备之前依赖 Google Pixel 6 处理音频，而定于 2025 年夏天展开的新一轮野外测试将换成 Pixel 9。研究人员戴着水下骨传导耳机，Pixel 9 在防水装置里同时运行深度学习和特征匹配算法。

借助 DolphinGemma 的预测能力，设备在海豚还没把整个哨声叫完时就能提前判定意图，并通过骨传导耳机通知研究员。研究员能立刻把对应的玩具递过去，把互动延迟降到最低。

Google 还计划在 2025 年夏季将 DolphinGemma 作为开源模型公开发布，方便其他团队微调后用于瓶鼻海豚或飞旋海豚的研究。

为什么重要

对从事海洋生物学和动物行为学的研究者来说，这套方案最大的价值在于「极低门槛的野外边缘计算」。过去做水下实时声学分析，要么需要拖着笨重的定制工控机出海，要么只能把录音带回实验室跑离线集群。Google 把 4 亿参数的模型压缩到一部民用 Pixel 手机上跑，大幅降低了海上科考的硬件维护成本和功耗，野外研究人员终于不用在风浪里伺候娇贵的专用仪器了。

对整个行业而言，我们认为 DolphinGemma 提供了一个非常聪明的跨物种研究范式：它不执着于短时间内彻底「破译」未知的动物语言，而是先用人造符号搭建一个最小可行性的双向沟通协议。这种自下而上的做法，比动辄宣称要翻译整个动物界的宏大叙事要务实得多。

不过，目前的隐患也很明显。4 亿参数的小模型虽然便于在手机端部署，但在嘈杂多变的真实海洋环境中，如何过滤水面艇波、水流噪声并准确捕捉弱信号，依然存在很大挑战。即使模型真的预测出了海豚叫声的下一个音，这究竟是海豚理解了人类意图，还仅仅是海豚为了拿到玩具表现出的条件反射，在科学界依然有漫长的认知分歧需要去验证。