Google 升級 Gemini 原生音訊：多輪對話更穩，翻譯 App 上線即時同傳

過去跨國開會或者在國外問路，最尷尬的不是聽不懂，而是兩個人舉著手機等它機械地吐出一句毫無感情的機翻。

Google 這次想把這種尷尬徹底抹掉。他們推出了更新後的 Gemini 2.5 Flash Native Audio 原生音訊模型，並且直接把流式語音互譯塞進了 Google Translate 應用。

戴上耳機，給現實世界裝一個即時字幕

這次更新最抓人的功能，是 Google Translate 裡新上線的耳機即時語音互譯測試版。

它不是先把語音轉成文本、翻譯完再合成語音的老路子，而是端到端的原生語音流式轉換。最關鍵的是，它能保留說話人的語氣、語調和語速。

你可以開啟持續傾聽模式，戴著耳機走在異國街頭，周圍講不同外語的聲音會被即時翻譯成你的母語送進耳朵；如果是雙向對話，你戴耳機聽對方的翻譯，手機揚聲器則對外播放你的外語回答。

這項功能支援超過 70 種語言和 2000 多個語言對，並且對任何耳機都通用。Google 表示它具備抗噪和自動語言識別能力，目前已在美國、墨西哥和印度的 Android 端推送，iOS 和更多地區預計 2026 年上線。

順帶更新的還有 Google Translate 的文本翻譯能力，依託 Gemini 解析俚語與成語，比如翻譯「stealing my thunder」這類短語時不再生硬直譯。同時，應用內的語言學習練習也擴充套件到了近 20 個國家和地區。

搞定真實業務的語音 Agent

對開發者和企業來說，Gemini 2.5 Flash Native Audio 解決的是另一塊心病：語音助手的反應不夠聰明。

原生音訊模型的指令遵循率從原本的 84% 提高到了 90%。在測試多步驟外部工具呼叫的 ComplexFuncBench Audio 基準上，它拿下了 71.5% 的得分，能在對話中順暢調取即時資訊再織入回答，不卡殼、不打斷節奏。

企業端已經跑出了一些實際資料。比如 Shopify 表示商家用它的 Sidekick 工具時，很多人不到一分鐘就會忘記對面是 AI；全美批發抵押貸款公司 UWM 則透露，接入該模型後已經幫經紀人促成了超過 1.4 萬筆貸款；AI 前臺開發商 Newo.ai 也提到它能在噪雜環境精準鎖定主講人並隨時切語言。

目前這個模型已經登陸 Google AI Studio、Vertex AI，並在 Gemini Live 和 Search Live 中灰度上線，這也是原生音訊能力第一次進到 Search Live。

為什麼重要

我們認為，Google 這次展示的是原生多模態音訊模型最紮實的一個落地範式。

長期以來，語音助理和同傳軟體最大的斷層就在於「生硬」與「延遲」。傳統管道式的語音識別、文本翻譯、語音合成三步走，不僅延時長，還會丟失說話者的情緒和停頓。

把端到端語音轉語音直接做進手機和普通耳機，意味著普通人不需要買專用硬體，就能獲得類似科幻電影裡的即時隨身翻譯。如果你經常需要跨國出差、聽外語講座，這項功能一旦全面鋪開，實用價值會非常高。

對行業而言，Google 正在利用其龐大的 Android 生態和 Translate 入口，把大模型的原生音訊能力迅速管道化、基礎設施化。這會直接給像 OpenAI 的高階語音模式施加壓力，逼迫對手加快把前沿語音能力落到普通工具產品中。

不過看起來也有侷限。流式端到端翻譯在網路波動或極度嘈雜的場景下表現究竟如何，還需要更大範圍的日常檢驗；而且 iOS 使用者和大多數國家還要等到 2026 年才能用上，這場語音互動的換代才剛剛開局。