Google 升级 Gemini 原生音频：多轮对话更稳，翻译 App 上线实时同传

过去跨国开会或者在国外问路，最尴尬的不是听不懂，而是两个人举着手机等它机械地吐出一句毫无感情的机翻。

Google 这次想把这种尴尬彻底抹掉。他们推出了更新后的 Gemini 2.5 Flash Native Audio 原生音频模型，并且直接把流式语音互译塞进了 Google Translate 应用。

戴上耳机，给现实世界装一个实时字幕

这次更新最抓人的功能，是 Google Translate 里新上线的耳机实时语音互译测试版。

它不是先把语音转成文本、翻译完再合成语音的老路子，而是端到端的原生语音流式转换。最关键的是，它能保留说话人的语气、语调和语速。

你可以开启持续倾听模式，戴着耳机走在异国街头，周围讲不同外语的声音会被实时翻译成你的母语送进耳朵；如果是双向对话，你戴耳机听对方的翻译，手机扬声器则对外播放你的外语回答。

这项功能支持超过 70 种语言和 2000 多个语言对，并且对任何耳机都通用。Google 表示它具备抗噪和自动语言识别能力，目前已在美国、墨西哥和印度的 Android 端推送，iOS 和更多地区预计 2026 年上线。

顺带更新的还有 Google Translate 的文本翻译能力，依托 Gemini 解析俚语与成语，比如翻译「stealing my thunder」这类短语时不再生硬直译。同时，应用内的语言学习练习也扩展到了近 20 个国家和地区。

搞定真实业务的语音 Agent

对开发者和企业来说，Gemini 2.5 Flash Native Audio 解决的是另一块心病：语音助手的反应不够聪明。

原生音频模型的指令遵循率从原本的 84% 提高到了 90%。在测试多步骤外部工具调用的 ComplexFuncBench Audio 基准上，它拿下了 71.5% 的得分，能在对话中顺畅调取实时信息再织入回答，不卡壳、不打断节奏。

企业端已经跑出了一些实际数据。比如 Shopify 表示商家用它的 Sidekick 工具时，很多人不到一分钟就会忘记对面是 AI；全美批发抵押贷款公司 UWM 则透露，接入该模型后已经帮经纪人促成了超过 1.4 万笔贷款；AI 前台开发商 Newo.ai 也提到它能在噪杂环境精准锁定主讲人并随时切语言。

目前这个模型已经登陆 Google AI Studio、Vertex AI，并在 Gemini Live 和 Search Live 中灰度上线，这也是原生音频能力第一次进到 Search Live。

为什么重要

我们认为，Google 这次展示的是原生多模态音频模型最扎实的一个落地范式。

长期以来，语音助理和同传软件最大的断层就在于「生硬」与「延迟」。传统管道式的语音识别、文本翻译、语音合成三步走，不仅延时长，还会丢失说话者的情绪和停顿。

把端到端语音转语音直接做进手机和普通耳机，意味着普通人不需要买专用硬件，就能获得类似科幻电影里的实时随身翻译。如果你经常需要跨国出差、听外语讲座，这项功能一旦全面铺开，实用价值会非常高。

对行业而言，Google 正在利用其庞大的 Android 生态和 Translate 入口，把大模型的原生音频能力迅速管道化、基础设施化。这会直接给像 OpenAI 的高级语音模式施加压力，逼迫对手加快把前沿语音能力落到普通工具产品中。

不过看起来也有局限。流式端到端翻译在网络波动或极度嘈杂的场景下表现究竟如何，还需要更大范围的日常检验；而且 iOS 用户和大多数国家还要等到 2026 年才能用上，这场语音交互的换代才刚刚开局。