Корпорація Google представила значне оновлення своєї моделі Gemini 2.5 Flash Native Audio, яка спрямована на покращення взаємодії користувачів з голосовими штучними інтелектами. Однією з ключових новацій стала функція синхронного перекладу, яка здатна зберігати інтонацію мовця, що робить спілкування з комп’ютерними агентами ще більш природним.
Основні оновлення
Оновлена модель Gemini демонструє поліпшення у трьох важливих аспектах, які можуть суттєво змінити досвід користування:
- Чіткість функціональності: Модель отримала вдосконалення в інтеграції з зовнішніми інструментами, що дозволяє їй ефективно залучати додаткові дані під час спілкування. У тестах на ComplexFuncBench Audio нова версія показала результат 71,5%.
- Дотримання інструкцій: Показник дотримання завдань від розробників зріс з 84% до 90%, що свідчить про зменшення ймовірності помилок при виконанні складних сценаріїв.
- Плавність діалогу: Поліпшено якість багаторівневих розмов, що дозволяє ШІ краще зберігати контекст і підтримувати зв’язок між фразами.
Раннє тестування оновлення провели представники компаній Shopify та United Wholesale Mortgage, які відзначили, що користувачі часто не помічають, що спілкуються з штучним інтелектом.
Синхронний переклад в режимі реального часу
Додатково, Google анонсувала впровадження функції Live Speech Translation у своєму додатку для перекладу. Ця нова технологія “підказує” в режимі реального часу, використовуючи навушники для забезпечення синхронного перекладу розмов.
Система не лише перекладає зміст, але й відтворює інтонації, темп і висоту голосу спікера. Вона підтримує понад 70 мов, автоматично визначаючи мову співрозмовника та здатна обробляти діалоги, в яких використовується кілька мов одночасно.
Функція живого перекладу вже доступна в бета-версії для користувачів Android у США, Мексиці та Індії. Водночас, компанія планує розширити доступ на iOS та в інші регіони в найближчому майбутньому.
