据 AIbase 报道，谷歌本周宣布为其原生音频模型 Gemini2.5Flash Native Audio 推出重大更新，旨在将 AI 交互从简单的“文本转语音”跨越到真正的拟人化实时交流。
此次更新的核心在于“原生”处理能力。不同于传统 AI 需要先将语音转为文字再处理的繁琐流程，该模型能够直接感知声音中的语调、情感和停顿，从而实现更自然流畅的对话。
谷歌数据显示，新版本对开发者指令的遵循率已从84% 跃升至 90%，在处理多步骤工作流时展现出更高的精准度。在音频基准测试 ComplexFuncBench 中，其函数调用准确率达到 71.5%，超越了 OpenAI gpt-realtime（66.5%）的表现，显示出在实时语音代理(Live Voice Agents)领域的强劲竞争力。
目前，这项技术已全面接入 Google AI Studio、Vertex AI、Gemini Live 以及 Search Live。开发者现可通过 Gemini API 体验这一升级版模型，利用其更强的一致性和多轮对话记忆能力，构建更可靠、更具情绪感知力的 AI 助手。
