Το Gemini 2.5 μεταφέρει τον ήχο από τη μετεπεξεργασία στη φυσική δημιουργία

Η ομιλία ως αποτέλεσμα του μοντέλου, όχι ως μεταγενέστερο στάδιο

Η προσέγγιση που υιοθετεί εδώ η Google είναι ότι το Gemini σκέφτεται και παράγει ομιλία απευθείας σε μορφή ήχου, αντί να μετατρέπει κείμενο σε ομιλία ως ξεχωριστό στάδιο. Αυτή η διάκριση αποτελεί την ουσία της ανακοίνωσης. Αντί για μια αλυσίδα όπου ένα γλωσσικό μοντέλο παράγει tokens και μια ξεχωριστή μηχανή TTS τα διαβάζει φωναχτά, το ίδιο το μοντέλο παράγει ήχο. Το πρακτικό όφελος που υποστηρίζει η Google είναι η εκφραστικότητα και η προσωδία με χαμηλή καθυστέρηση, καθώς δεν υπάρχει μετάβαση μεταξύ ξεχωριστών στοιχείων.

Αυτός είναι ο λόγος για τον οποίο λειτουργίες όπως ο συναισθηματικός διάλογος και ο έλεγχος ύφους είναι εφικτές σε αυτή την έκδοση. Αν το μοντέλο συλλογίζεται απευθείας σε μορφή ήχου, μπορεί να ανταποκρίνεται στον τόνο της φωνής του χρήστη και να προσαρμόζει τον δικό του τρόπο εκφοράς εν μέσω συνομιλίας, μέσω οδηγιών σε φυσική γλώσσα, συμπεριλαμβανομένου του ψιθυρίσματος ή της υιοθέτησης προφοράς. Αυτές οι συμπεριφορές είναι δύσκολο να προσαρτηθούν σε μια αλυσίδα με προτεραιότητα στο κείμενο, όπου το συναισθηματικό σήμα αφαιρείται πριν από τη σύνθεση.

Κλήση λειτουργιών και το 'να ξέρεις πότε να μη μιλάς'

Δύο λειτουργίες ξεχωρίζουν ως κάτι περισσότερο από υλικό επίδειξης. Πρώτον, η ενσωμάτωση εργαλείων κατά τη διάρκεια του διαλόγου: το Gemini 2.5 μπορεί να χρησιμοποιεί κλήση λειτουργιών και να αντλεί πληροφορίες σε πραγματικό χρόνο από το Google Search ή από εργαλεία φτιαγμένα από προγραμματιστές, ενόσω βρίσκεται σε εξέλιξη μια συνομιλία. Αυτό μετατρέπει μια φωνητική διεπαφή σε κάτι που μπορεί να δράσει, όχι μόνο να μιλήσει, χωρίς να διακόπτεται η ροή της συνομιλίας για να εκτελεστεί ξεχωριστό βήμα αναζήτησης.

Δεύτερον, αυτό που η Google αποκαλεί ενεργητικό ήχο — το σύστημα έχει εκπαιδευτεί να διακρίνει και να αγνοεί φωνές στο παρασκήνιο, περιβάλλουσες συνομιλίες και άλλους άσχετους ήχους, ανταποκρινόμενο μόνο όταν είναι κατάλληλο. Η Google το συνοψίζει απλά:

Ουσιαστικά, καταλαβαίνει πότε δεν πρέπει να μιλήσει.Montana Labs

Για όποιον έχει αναπτύξει φωνητικό προϊόν, το πρόβλημα των διακοπών και των ψευδών ενεργοποιήσεων είναι συχνά αυτό που κάνει τις πραγματικές εφαρμογές να φαίνονται προβληματικές. Η αντιμετώπιση της αυτοσυγκράτησης ως εκπαιδευμένης ικανότητας, αντί για έναν σκληρά προγραμματισμένο μηχανισμό τύπου push-to-talk, αποτελεί σημαντική σχεδιαστική επιλογή, αν και η ανακοίνωση δεν παρέχει μετρήσεις για να κρίνει κανείς πόσο καλά λειτουργεί στην πράξη.

Δύο κατηγορίες για τη μετατροπή κειμένου σε ομιλία, ένα μοτίβο προϊόντος γενικευμένο

Στο σκέλος της παραγωγής, η Google διαχωρίζει την ελεγχόμενη μετατροπή κειμένου σε ομιλία (TTS) σε Gemini 2.5 Pro Preview, για ποιότητα αιχμής σε σύνθετες οδηγίες, και σε Gemini 2.5 Flash Preview, για οικονομικά αποδοτική καθημερινή χρήση. Οι δυνατότητες ελέγχου περιλαμβάνουν την ταχύτητα εκφοράς, την ακρίβεια προφοράς για συγκεκριμένες λέξεις, τη συναισθηματική απόδοση και τη δημιουργία διαλόγου με πολλούς ομιλητές. Το τελευταίο αυτό στοιχείο είναι ουσιαστικά η δυνατότητα δημιουργίας ηχητικής επισκόπησης δύο ατόμων στο ύφος του NotebookLM, η οποία πλέον διατίθεται ως γενική δυνατότητα.

Αυτό είναι το πιο ενδιαφέρον σημείο: τα Audio Overviews του NotebookLM και το Project Astra αναφέρονται ως υπάρχοντα προϊόντα χτισμένα πάνω σε αυτά τα μοντέλα, και τώρα η ίδια δυνατότητα δημιουργίας συνομιλίας με δύο φωνές προσφέρεται απευθείας στους προγραμματιστές. Η Google ουσιαστικά μετατρέπει σε προϊόν μια εσωτερική λειτουργία και επιτρέπει σε οποιονδήποτε να δημιουργήσει ανακοινώσεις, ιστορίες, podcasts και ήχο για παιχνίδια βασιζόμενος σε αυτή, με σαφή δυνατότητα επιλογής μεταξύ κόστους και ποιότητας ανάμεσα στο Pro και το Flash.

Η υδατογράφηση και η πρόσβαση μέσω API καθορίζουν τους όρους ανάπτυξης

Κάθε ηχητικό αποτέλεσμα αυτών των μοντέλων φέρει το SynthID, την υδατογράφηση της Google, ώστε ο παραγόμενος ήχος να μπορεί να αναγνωρίζεται. Δεδομένου ότι η κυκλοφορία αυτή επιτρέπει ρητά τη μίμηση προφοράς, τη συναισθηματική απόδοση και τη σύνθεση με πολλούς ομιλητές, η ενσωμάτωση ταυτοποίησης προέλευσης εξ ορισμού αποτελεί το απαραίτητο αντίβαρο, και η Google το συνδυάζει με δοκιμές red teaming και εσωτερικές και εξωτερικές αξιολογήσεις ασφάλειας, στις οποίες αναφέρεται χωρίς όμως να τις αναλύει.

Η συγκεκριμένη επίπτωση για τις ομάδες που αναπτύσσουν φωνητικές εφαρμογές είναι η εξής: τα στοιχεία που παλαιότερα απαιτούσαν τη συρραφή ASR, ενός LLM, ενός παρόχου TTS και λογικής διαχείρισης διακοπών, συγκλίνουν πλέον σε μια ενιαία επιφάνεια API στο Google AI Studio και στο Vertex AI, με φυσικό διάλογο στην καρτέλα stream και TTS στην καρτέλα generate media. Το τεχνικό ερώτημα μετατοπίζεται από την ενσωμάτωση τεσσάρων συστημάτων στην αξιολόγηση του κατά πόσο η καθυστέρηση, η αξιοπιστία κλήσης εργαλείων και η συμπεριφορά εναλλαγής σειράς ομιλίας ενός και μόνου μοντέλου ανταποκρίνονται στην πραγματική σας περίπτωση χρήσης — ισχυρισμοί που η ανακοίνωση διατυπώνει χωρίς ακόμη να τους ποσοτικοποιεί.