当前位置：

社区首页

电脑数码

智能设备

AIGC文章详情

张大妈

Gemini Omni实测：实时语音交互已跨越可用门槛，两类用户需求均被满足

源自62位全网作者

05-20 10:09

精选参考来源

#科技先锋官# 当你在地下车库想调用AI实时翻译，却因没网陷入卡顿；当语音助手要等3秒才响应指令，端侧AI的不实用曾是很多安卓用户的痛点。谷歌Gemini Nano 3与安卓15的深度集成，正精准破解这些难题，让手机真正拥有本地思考的大脑。Gemini Nano 3集成安卓15解决了离线场景AI失灵的核心问题。此前端侧AI多依赖云端算力，无网络时翻译、摘要、语音交互等功能基本瘫痪。Gemini Nano 3依托安卓15的AICore系统服务，所有运算全在设备本地完成，无需数据上传云端，哪怕在山区、地铁等无信号区域，也能流畅实现实时翻译、离线文案生成等功能。Gemini Nano 3集成安卓15攻克了端侧推理延迟高、体验差的瓶颈。通过安卓15对NPU的深度优化，Gemini Nano 3离线推理速度提升2.5倍，语音指令响应、文本处理等操作几乎无延迟。这意味着，无论是整理会议纪要还是编辑图片，都能获得即呼即应的流畅体验，彻底告别等待卡顿。Gemini Nano 3集成安卓15还解决了隐私泄露与多终端适配难的问题。安卓15的私有计算核心架构，让Gemini Nano 3独立于其他应用运行，不存储操作数据，从根源上保障隐私安全。且适配Pixel、三星等多品牌终端，打破硬件壁垒，让更多安卓用户能享受到高质量端侧AI服务。Gemini Nano 3集成安卓15不仅让端侧AI从可用走向好用，更推动安卓生态迈入离线智能新时代，为后续车机协同、智能家居联动等场景打下基础。#AI创造营##AI创作热点##一条vlog回顾2025# 种斌Marco的微博视频

谷歌用Gemini实现了苹果说的“耳机同声传译”功能。这段demo里看着是无延迟的实时翻译，而且能模拟说话人的语气进行高质量同传。目前支持70多种语言。如果真能达到视频里呈现的效果，那这真的可以打碎“巴别塔”，实现全人类无障碍交流。对绝大多数人来说，以后学外语就不再是必要，而是一种爱好了（小绿鸟瑟瑟发抖）。官方的视频demo说明如下：「我们对 Gemini Audio 的型号和功能进行了一些更新：— Gemini 的实时语音翻译功能正在 Google 翻译应用中以测试版的形式推出，为您带来能够捕捉人类语音细微差别的实时音频翻译。— Gemini 2.5 Flash 和 2.5 Pro 文本转语音预览版在风格提示的遵循度、基于上下文的精准语速调整以及多说话人场景下的角色语音一致性方面均有所提升。— Gemini 2.5 Flash Native Audio 现已更新，改进了对复杂工作流程的处理、用户指令的导航以及自然对话的呈现」@谷大白话谷大白话的微博视频

全部
来源

内容由AI生成

1. #科技先锋官# 当你在地下车库想调用AI实时翻译，却因没网陷入卡顿；当语音助手要等3秒才响应指令，端侧AI的不实用曾是很多安卓用户的痛点。谷歌Gemini Nano 3与安卓15的深度集成，正精准破解这些难题，让手机真正拥有本地思考的大脑。Gemini Nano 3集成安卓15解决了离线场景AI失灵的核心问题。此前端侧AI多依赖云端算力，无网络时翻译、摘要、语音交互等功能基本瘫痪。Gemini Nano 3依托安卓15的AICore系统服务，所有运算全在设备本地完成，无需数据上传云端，哪怕在山区、地铁等无信号区域，也能流畅实现实时翻译、离线文案生成等功能。Gemini Nano 3集成安卓15攻克了端侧推理延迟高、体验差的瓶颈。通过安卓15对NPU的深度优化，Gemini Nano 3离线推理速度提升2.5倍，语音指令响应、文本处理等操作几乎无延迟。这意味着，无论是整理会议纪要还是编辑图片，都能获得即呼即应的流畅体验，彻底告别等待卡顿。Gemini Nano 3集成安卓15还解决了隐私泄露与多终端适配难的问题。安卓15的私有计算核心架构，让Gemini Nano 3独立于其他应用运行，不存储操作数据，从根源上保障隐私安全。且适配Pixel、三星等多品牌终端，打破硬件壁垒，让更多安卓用户能享受到高质量端侧AI服务。Gemini Nano 3集成安卓15不仅让端侧AI从可用走向好用，更推动安卓生态迈入离线智能新时代，为后续车机协同、智能家居联动等场景打下基础。#AI创造营##AI创作热点##一条vlog回顾2025# 种斌Marco的微博视频

2. 谷歌用Gemini实现了苹果说的“耳机同声传译”功能。这段demo里看着是无延迟的实时翻译，而且能模拟说话人的语气进行高质量同传。目前支持70多种语言。如果真能达到视频里呈现的效果，那这真的可以打碎“巴别塔”，实现全人类无障碍交流。对绝大多数人来说，以后学外语就不再是必要，而是一种爱好了（小绿鸟瑟瑟发抖）。官方的视频demo说明如下：「我们对 Gemini Audio 的型号和功能进行了一些更新：— Gemini 的实时语音翻译功能正在 Google 翻译应用中以测试版的形式推出，为您带来能够捕捉人类语音细微差别的实时音频翻译。— Gemini 2.5 Flash 和 2.5 Pro 文本转语音预览版在风格提示的遵循度、基于上下文的精准语速调整以及多说话人场景下的角色语音一致性方面均有所提升。— Gemini 2.5 Flash Native Audio 现已更新，改进了对复杂工作流程的处理、用户指令的导航以及自然对话的呈现」@谷大白话谷大白话的微博视频

3. Nano Banana Pro：支持含中文的100种语言！实时信息！Gemini 3 Pro加持！

4. 盘点一周AI大事(12月7日)｜首个AGI模型问世 OpenAI强行上线GPT5.2，跑分击败Gemini重夺地表最强 OpenAI下周发布图像模型绝地反击小香蕉 ChatGPT接入Adobe套装 Google推出顶级语音模型Gemini 2.5 TTS Google上线实时语音互译Gemini 2.5 Audio Google深度研究接入Gemini 3 Pro 智谱推出最强开源手机智能体AutoGLM-Phone-9B Runway推出通用世界模型GWM-1 Meta推出短剧视频模型OneStory Meta推出最强开源版客串Saber 字节发布最强自动驾驶视觉模型UniUGP 阿里开源最强运动控制视频模型WanMove 研究员开源换脸视频模型LivingSwap Integral AI 宣称构建了世界上第一个AGI模型 #抖音知识年终大赏 #AI新星计划 #人工智能 #OpenAI #AIGC

5. 谷歌发布 Gemini 3 Flash，相比上一代 2.5 Flash 有哪些提升？使用体验如何？

6. 盘点一周AI大事(5月3日)｜Google上线AI口语陪练 Google IO即将发布Gemini 4和Veo 4 Gemini上线原生文件生成 Google推出AI衣柜 Google翻译上线AI口语陪练 Claude 接入50多款创作软件，能直接操作Photoshop修图、做海报，接管Blender建模，用Ableton创作音乐英伟达开源全模态模型Nemotron 3 Nano Omni 研究员训练出复古大模型talkie KAIKAKU发布食品大模型Epicure 研究员开源突破性智能体协作框架Recursive MAS Moonlake上线Blender智能体Moonlake 3D Agent #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

7. 独家｜VUI Labs宇生月伴完成数千万元天使+轮融资，同创伟业领投，打造行业领先的情感语音大模型和多模态Agent

8. Gemini 3 Flash和2.5 Pro怎么选，求实测对比，3Flash真的又快又聪明还便宜吗？

9. 阿里发布新一代全模态大模型Qwen3.5-Omni。采用混合注意力MoE架构，通过1亿小时音视频+文本跨模态预训练。原生支持113种语言识别（含毛利语等濒危语种）和36种语音生成。创新ARIA语音技术实现音色稳定，对话响应延迟降低至人类感知无差别水平。核心突破: 视听理解:在DailyOmni等215项基准测试中全面超越Gemini 3.1 Pro ，嘈杂环境语音识别错误率下降42%（WenetSpeech基准）视频内容结构化描述准确率达98.1%（RealWorldQA测试）。 Vibe Coding进化:非预设能力，在百万级多模态指令微调中自然涌现。普通用户可前往Qwen Chat免费体验，开发者和企业可通过阿里云百炼平台调用Qwen3.5-Omni模型Plus、Flash、Light三种API。

10. 强到离谱？Gemini 3深度实测【玩法合集】

11. 谷歌全新Gemini Omni首曝，视频版「香蕉」来了！教授黑板推公式全对

12. ChatGPT免费版数学暴涨24%，还藏了个语音大招

13. 超强运镜、音画同出、超长16s、AI视频大时代真的来了

14. 刚刚，让谷歌翻身的Gemini 3，上线Flash版

15. #Gemini Live 迎来最大升级：Gemini 3.1 Flash Live 驱动下的对话革命# Google Gemini 官方于 2026 年 3 月 26 日在 X 平台发布了一条重磅更新，宣布 Gemini Live 迎来其迄今为止最大的一次升级。此次升级由全新 Gemini 3.1 Flash Live 模型驱动，重点针对实时语音对话体验进行了深度优化，让 AI 助手在实际使用中更加接近自然人类的对话节奏。 #三大核心升级详解# 根据官方公告，此次升级主要体现在以下三个方面： 1. 响应速度显著提升，尴尬停顿大幅减少以往语音对话中常见的“等待思考”停顿，是许多用户吐槽的痛点。新版本通过模型优化，大幅降低了延迟，让 Gemini Live 的回复更加迅捷流畅。用户在实际对话中将感受到更少的“卡顿”，对话过程更连贯自然。 2. 上下文理解能力翻倍，支持更长的连续对话 Gemini Live 现在能够跟进 2 倍长度的对话内容。这意味着用户可以进行更深入、更复杂的讨论，而不必担心 AI “忘记”前面的内容。无论是连续的头脑风暴、长时段的咨询，还是逐步展开的复杂任务规划，Gemini Live 都能更好地保持对话连贯性，让用户“保持在 flow（心流状态）”中。 3. 动态调整回答长度与语气，适配实时情境这可能是此次升级中最具人性化的改进。新模型能够根据对话当时的氛围、用户语气和具体需求，动态调整回复的长度和语气风格。 - 需要简洁直接时，它会给出短小精悍的回答； - 需要详细展开时，它会提供更丰富的解释； - 语气也会随之调整，或轻松活泼，或专业严谨，或鼓励支持。这一能力让 Gemini Live 不再是机械的“问答机器”，而更像一个能“察言观色”的智能伙伴。 #实际使用场景与价值分析# 为什么这次升级意义重大？在移动端语音交互场景中，流畅性是决定用户留存和使用频率的关键因素。之前的 Gemini Live 虽然功能强大，但在真实对话中仍存在响应延迟和上下文丢失的问题，容易打破用户的沉浸感。此次升级直接针对这些核心痛点进行优化，预计将大幅提升用户体验。 - 生产力场景：在开车、通勤、健身、做家务等双手不方便操作手机的时候，用户可以进行长时间的语音头脑风暴、学习辅导、任务规划，而无需反复提醒上下文。 - 创意与学习场景：动态语气调整让讲解过程更生动有趣，适合语言学习、创意讨论或深度知识交流。 - 日常陪伴场景：更自然的对话节奏和情境适配能力，让 AI 助手感觉更“像人”，增强情感连接。官方同时附上了一段演示视频，展示了升级后 Gemini Live 在真实对话中的表现：响应迅速、衔接自然、语气贴合，整体对话流程明显更加顺畅。 #如何体验新版本？# Google 表示，用户可以立即在 Gemini 移动应用中体验这一升级。只需要打开 Gemini App，进入 Gemini Live 模式，即可感受由 Gemini 3.1 Flash Live 驱动的全新对话体验。官方呼吁用户试用后反馈意见，这也体现了 Google 在 AI 产品迭代中重视用户声音的一贯态度。 #行业视角：实时语音 AI 的竞争格局# 此次升级进一步凸显了 Google 在多模态和实时交互领域的持续投入。Gemini Live 的优化，不仅是技术参数的提升，更是朝着“自然人机对话”这一终极目标迈出的坚实一步。在 ChatGPT Voice、Claude 等竞品都在积极迭代语音能力的今天，Gemini Live 通过更低的延迟、更长的上下文和更智能的适应性，试图在移动端语音 AI 赛道中占据更有竞争力的位置。当然，用户反馈也呈现出多元声音：有人兴奋于流畅度的提升，有人期待未来加入记忆（Memory）功能，有人则对特定语音特性（如 vocal fry）仍有改进建议。这些反馈都将成为下一次迭代的重要参考。 #总结# Gemini Live 的这次“最大升级”，本质上是 Google 对“让 AI 真正融入日常对话”的又一次有力实践。响应更快、记忆更长、适应更聪明——这些改进共同指向一个方向：让 AI 不再是工具，而是成为可以自然交流、理解情境的伙伴。对于已经在使用 Gemini 的用户来说，这无疑是一次值得立即尝试的更新。对于还在观望的 AI 爱好者，这也提供了另一个观察 Google AI 进展的重要窗口。你已经试用过新版本的 Gemini Live 了吗？欢迎分享你的真实体验。原文出处：Google Gemini 官方 X 帖子（2026 年 3 月 26 日）视频演示：帖子中附带的官方演示视频清晰展示了升级后的对话流畅性。（本文基于官方公告及帖子内容进行深度解读，力求信息无损、分析中立。） http://t.cn/AXfseaHj

16. Gemini Mac版，终于来了两

17. AI 语音输入法爆火：豆包输入法全面上线，Typeless 日榜第一，Wispr 融资 8100 万美金

18. 边聊天也能边导航，添加/切换途经点全程语音操作？全新的鸿蒙座舱小艺智能体到底怎么样。

19. 语音AI的应用越来越实际了目前OpenAI 发布了三款全新实时语音模型，面向开发者开放了API接入，分别是GPT-Realtime-2、GPT-Realtime-Translate和GPT-Realtime-Whisper。GPT-Realtime-2作为最强的语音模型，我们可以把它理解成一个可以打电话的GPT-5 #openai发布三款实时语音模型##ai创造营##微博兴趣创作计划#

20. GPT5.2评价小米Mimo：一个“极致性价比”的工程型大模型体系这是一个可以冷静、也必须冷静来看的问题。我给你一个不站队、不情绪化、但足够锋利的对比结论。一句话先给结论：MiMo 和 GPT-5.2 不在同一个“战争层级”，但在“工程效率与性价比”这个维度，小米走的是一条非常聪明、也非常现实的路线。下面我们分层说。⸻一、先把层级分清：这是“体系级差异”，不是“参数差异”GPT-5.2 是什么？GPT-5.2 本质是全球最顶级通用智能系统之一，特点是： • 超强泛化能力（跨语言、跨领域、跨模态） • 超长上下文 + 复杂推理链 • 工具调用 / Agent / 记忆 / 规划能力 • 真实世界对齐能力（安全、意图理解、隐含需求）它不是“一个模型”，而是：模型 + 工具系统 + 训练哲学 + 全球数据 + 超算资源的总和⸻MiMo 是什么？MiMo 的定位非常清晰： • 工程导向的高效推理模型 • 重“可部署性 / 成本 / 推理速度” • 服务对象是：👉 手机、车机、IoT、本地推理、国产算力、私有化部署它是：一个“极致性价比”的工程型大模型体系⚠️ 所以第一句话要讲清楚：MiMo 从一开始就没打算正面和 GPT-5.2 做 AGI 对打。⸻二、核心能力正面对比（说人话版）1️⃣ 通用智能 & 理解力维度 GPT-5.2 MiMo抽象理解极强中等偏强隐含意图很强有但有限跨领域迁移顶级偏任务型长逻辑链稳定局部强👉 结论：GPT-5.2 是“像人一样理解问题”，MiMo 更像“一个非常聪明、但主要干活的工程师”。⸻2️⃣ 推理 & 数学 & 代码（MiMo 的强项）这里要说一句公道话：在“单位参数效率”这个指标上，MiMo 非常厉害。 • MiMo-7B 在数学/代码上干掉过不少 20B+ 模型 • MoE 架构下，单位算力输出极高 • 对结构化问题（数学、规则、代码）非常“听话”但注意关键词：结构化任务场景 GPT-5.2 MiMo数学竞赛顶级很强工程代码顶级很强模糊问题更强易发散复杂现实推理明显领先吃力👉 MiMo 是“会算的”GPT-5.2 是“会想的”⸻3️⃣ 多模态与真实世界理解这一步差距开始明显拉开。 • GPT-5.2： • 图像 → 物理 → 语义 → 行为 • 视频、语音、情绪、语境都能打通 • MiMo-VL： • 视觉理解不错 • 但更多停留在“看懂”，而非“理解世界”换句话说：GPT-5.2 能“理解你为什么这么拍这个视频”MiMo 更多是“识别你拍了什么”⸻三、真正的分水岭：不是模型能力，而是“系统能力”这是 99% 人忽略的点。GPT-5.2 背后是： • 全球级数据分布 • 人类反馈体系（RLHF） • 工具调用生态 • Agent 自主规划 • 安全与对齐体系它是一个 “能参与现实世界决策的智能系统”⸻MiMo 的真实价值在于： • 可控 • 可部署 • 成本低 • 可本地化 • 可深度绑定硬件对小米来说，MiMo 的目标不是：“替代 GPT-5.2”而是：“不被 GPT-5.2 卡脖子”⸻四、站在你这个“懂产业的人”的视角，怎么评价？如果你让我用一句更“产业老兵”的话来评价：GPT-5.2 代表的是“人类通用智能的上限探索”MiMo 代表的是“中国工程体系在 AI 时代的落地能力”MiMo 成功不成功，取决于一件事：它能不能真正进入： • 手机 OS • 车载系统 • 本地 Agent • IoT 联动 • 私有部署市场如果只是跑分、benchmark —— 没意义如果能变成 “小米生态的神经系统” —— 非常有价值⸻五、最终结论（不绕弯） • ❌ MiMo ≠ GPT-5.2 对手 • ✅ MiMo 是“另一条正确但更现实的路线” • ❌ 不能用 AGI 标准否定 MiMo • ✅ 也不能用性价比幻想追平 GPT-5.2GPT-5.2 是天花板MiMo 是地基#小米发布最新MiMo大模型#

21. Grok 更新优化 Imagine 视频生成，将对 AI 视频领域带来哪些影响？

22. 语音输入喊了这么多年，千问电脑版一出手就把键盘卷没了？

23. 化繁为简！杂乱会议室终结者！成者StarryHub会议星AI会议机器人体验

24. 盘点一周AI大事(11月23日)｜AI自己画CAD图纸 Google发布最强大模型Gemini 3、最强图像模型Nano Banana Pro OpenAI发布最强编码模型GPT-5.1-Codex-Max 马斯克升级Grok 4.1，情商最强字节开源最强空间重建模型Depth Anything 3 腾讯发布最强开源视频模型HunyuanVideo-1.5 Meta开源最强对象分割模型SAM 3，最强3D分割模型 SAM 3D Autodesk研发出最强CAD智能体VideoCAD AI2发布最强开源深度研究智能体Deep Research Tulu Google发布最强AI天气预报WeatherNext 2 Maxima推出AI会计智能体头号玩家套装问世 #AI新星计划 #人工智能 #AIGC #OpenAI #大模型

25. 盘点一周AI大事(4月5日)｜叫AI老公多干活 OpenAI内测下一代生图模型「GPT-Image-2」 OpenAI工匠计划「Project Stagecraft」曝光 Google发布最强开源小模型「Gemma 4」 Anthropic研究发现Claude有170种情绪向量阿里发布最强开源多模态大模型「Qwen3.5-Omni」 Sakana AI 发布AI战略官「Marlin」微软发布最强语音识别模型「MAI-Transcribe-1」研究员开源最强声音克隆模型「LongCat-AudioDiT」研究员开源最强语音合成模型「OmniVoice」工程师开源AI同事「同事.skill」爆火首个一人独角兽公司「Medvi」诞生 #前沿科技趋势发布月 #AI新星计划 #AI #OpenAI #AIGC

26. Google 尝试在端侧的 Gemini 当中引入 Agent 能力了。你的“常用订单”现在只需轻点一下即可完成。作为一项测试版功能，Gemini 可以在部分网约车和外卖应用中协助你完成任务。只需让 Gemini 帮你处理购物车、点外卖或叫车回家即可。一切由 Gemini 完成，但控制权始终在你手中。该功能将很快以测试版形式登陆 Gemini 应用，支持 Pixel10、Pixel 10 Pro 以及三星 Galaxy S26 系列，你可以把多步骤任务直接交给 Gemini 处理。只需长按电源键，让 Gemini 帮你叫车回家或重新下单你上次点的餐。Gemini 会在后台无缝运行，让你可以继续使用手机的其他功能。常岩CY的微博视频

27. 阿里发布了Qwen3.5-Omni，这可能是林俊旸离职后的首个重量级发布了，看来通义团队确实顶住了压力，而且节奏非常紧凑。这个版本在音频、语音、视频 215项SOTA，属于行业第一。在音频理解上超过了gemini3.1 pro，视频理解上和它差不多。阿里出的这个版本主要是针对“实时语音交互”这个赛道，估计是为以后的千问AI眼镜、各种AI耳机、汽车智能座驾铺路。

28. 谷歌I/O大会今夜揭幕： Gemini 4.0悬念、全栈智能体与AI购物

29. 告别“人工智障”语音助手已进化为“数字代理人”

30. 会议交互进入全新时代，成者StarryHub会议星AI会议机器⼈实测

31. 盘点一周AI大事(4月19日)｜Claude终结设计 Anthropic上线Claude Design，接管整个设计流程 Anthropic上线最强编码模型Claude Opus 4.7 OpenAI内测下一代图像模型GPT-Image-2 OpenAI升级Codex，全面对标Claude Code Heygen开源视频制作技能包HyperFrames Quiver上线最强矢量图模型Arrow 1.1 Adobe发布重新打光图像模型TokenLight 字节开源数字人模型OmniShow 阿里开源开放世界模型Happy Oyster 研究员开源最强3D动画模型AniGen Gemini上线最强语音合成模型Gemini 3.1 Flash TTS Meta研发出神经计算机Neural Computers #前沿科技趋势发布月 #AI新星计划 #AI #AIGC #大模型

32. Gemini 3.1 Pro VS千问3，2026年还需要付费制AI吗

33. 谷歌突然发布 Gemini 3.0！强到离谱，Pro 版免费开放使用，附实测与开通教程！| 零度解说

34. 想去旅游？在GPT说说话机酒就订好了最近OpenAI上线三款语音模型：GPT-Realtime-2（Agent）、GPT-Realtime-Translate（翻译）和GPT-Realtime-Whisper（转写），跟它聊天就能完成机票改签、酒店预定、好物咨询，重点是实时完成、延迟超低，同传助手真的来了~详情查看：网页链接#GPTRealtime2##AI语音模型##AI同传##openai语音模型##GenJi聊AI#

35. 实测 AirPods 实时翻译：苹果 AI 最实用的功能，国行还要等多久

36. 刚刚，创智+模思发布开源版Sora2，电影级音视频同步生成，打破闭源技术垄断

37. 盘点一周AI大事(4月26日)｜OpenAI王炸两连 OpenAI上线下一代大模型「GPT-5.5」 OpenAI全量上线下一代图像模型「GPT-Image-2」 Kimi发布最强开源大模型「Kimi K2.6」 DeepSeek发布了「DeepSeek V4」 Office三件套(Word PPT Excel)全量上线Copilot智能体 Google发布最强深度研究「Deep Research Max」研究员开源AI研究员「ASI-Evolve」 Google发布最强图像分割模型「Google Vision Banana」 LTX开源视频转HDR「LTX HDR LoRA」 ODYSSEY发布最强世界模型「Odyssey-2 Max」字节开源最强3D模型「Seed3D 2.0」工程师研发出最强乒乓球机器人 #前沿科技趋势发布月 #AI新星计划 #AIGC #AI #OpenAI

38. 千问PC端上线AI语音输入，无需切换各类应用直接用AI助手创作、翻译，给普通人工作学习带来哪些变化？

39. Gemini 3 Flash 来了！谷歌说这波升级幅度挺大 #AI前沿速递# 模型主打一个轻快，适合那些不需要长链条思考、追求效率的对话场景。Gemini 3 Flash 的亮点还在于多模态能力，它能更快地处理视觉、音频等输入，把「看见、听见、理解」串成一条相对顺滑的链路，适合需要即时反馈的交互场景。

40. “谷歌太慢了”：与Andrew Dai聊Gemini的翻身之战，出走与视觉理解模型【硅谷101视频播客】

41. 千问PC端上线AI语音输入，无需切换各类应用直接用AI助手创作、翻译，给普通人工作学习带来哪些变化？

42. 豆包发布语音识别模型 2.0，支持多模态视觉和 13 种海外语言，有哪些技术亮点？

43. 想做语音AI应用？谷歌Gemini 3.1 Flash Live来了，延迟更低、噪音过滤更强、上手超简单

44. Gemini 3.1 Pro 核心更新与多模态能力重塑

45. 从实验室到商用：谷歌Gemini 3.1 Flash Live开启AI语音“拟真时代”

46. 谷歌推出Gemini 3.1 Flash Live模型，专注实时语音交互

47. ASR、音频理解、语音对话性能与Gemini 2.5 Pro相当 Qwen3-Omni在保障音频和音视频质量的同时，单模态文本和图像性能无退化支持119种文本语言，19种语音输入和10种语音输出支持实时音频、视频交互，211毫秒延迟，可以自然轮流发言和即时文本或语音响应 #ai #千问 #拒绝废话 #人工智能 #ai大模型

48. 谷歌推出人工智能语音同声传译功能

49. Gemini 3.1 语音功能实测：自然交互新高度，解锁 AI 语音新体验