Google 的新对话式音频 AI 从今天起开始进入 Search、Gemini 和开发者工具。
人工智能生成的文本往往带有一种特定的感觉，让人一看就知道是机器生成的，但随着技术进步，这些特征已经越来越难辨认。我们可能正在看到生成式 AI 音频出现类似的演变。Google 宣布推出一款名为 Gemini 3.1 Flash Live 的新 AI 音频模型，正如其名称所示，它是为实时对话设计的。它从今天起开始进入部分 Google 产品，开发者也将能够借助这款模型开始构建自己的对话机器人。
Google 表示，这款 AI 的速度快得多，生成的语音节奏也更自然，目标是解决 AI 生成语音长期存在的一个问题。和聊天机器人一样，生成式音频系统的输入与输出之间总会存在延迟。更长的延迟和不自然的语调会让对话显得迟缓、更难跟上。研究人员普遍认为，300 毫秒的延迟大致是实现最佳语音感知的上限，但 Google 并未说明 Gemini 3.1 Flash Live 的具体延迟。它只是笼统地表示，这一速度足以满足需求。
但基准测试数据呢？Google 有不少这类数据，并称这些数据表明，3.1 Flash Live 将成为进行音频到音频 AI 对话时更可靠的方式。例如，在 ComplexFuncBench Audio 上的显著提升显示，新模型更擅长处理复杂的多步骤任务。Gemini 3.1 Flash Live 还在 Big Bench Audio 测试中位居榜首，这项测试会用 1,000 道音频问题评估推理能力。
与此同时，在 Scale AI 的 Audio MultiChallenge 中表现强劲，意味着新的 Gemini 模型更能应对音频输入中的犹豫和打断。尽管它超过了其他实时音频模型，Gemini 3.1 Flash Live 在这项测试中的成绩也只有 36.1%。而并非为对话式运行设计的音频模型，在 MultiChallenge 中可以达到 50% 以上。
这意味着，Gemini 3.1 Flash Live 听起来应该会更像真人，以至于 Google 觉得是时候加入 AI 标记了。该模型的输出将带有 SynthID 水印，人耳无法察觉。不过，如果有人试图把 Gemini AI 生成的语音冒充成真实语音，这种水印仍然可以被检测出来。
Google 已与 Home Depot、Verizon 等公司合作测试这款模型。在博客文章中，这些公司都对 3.1 Flash Live 模仿人类语音的能力给出了高度评价。因此，你下一次在电话中遇到的 AI 助手，听起来可能会真实得多。你甚至可能会以为自己在和真人交谈，而 SynthID 对这一点帮不上忙。
开发者现在已经可以在 AI Studio、Gemini API 和 Gemini Enterprise for Customer Experience 中使用该模型。后者本质上是一套用于代理式购物的工具包。Gemini 3.1 Flash Live 最显眼的落地场景将是 Gemini Live 和 Search Live（AI Mode 的一项功能）。这种新的对话式 AI 从今天起开始在这些产品中推出。
25 年多来，Ars Technica 一直在从噪声中分离信号。凭借对技术的深刻理解以及对科技艺术与科学的广泛兴趣，Ars 在信息海洋中成为值得信赖的信息来源。毕竟，你不需要知道一切，只需要知道什么才重要。
