На конференции Google I/O 2025 был представлен впечатляющий апгрейд мультимодальной модели Gemini: версия 2.5. Ключевым новшеством стала поддержка генерации аудио и ведения диалогов в реальном времени. Разработчики уже могут оценить эти возможности в предварительной версии, доступной через Google AI Studio и Vertex AI.

Gemini 2.5 Flash Preview предлагает беспрецедентный уровень реализма в голосовом взаимодействии с ИИ. Модель способна не только понимать эмоциональную окраску речи, но и адаптировать интонацию, акцент, а также свободно переключаться между более чем двумя десятками языков. Игнорируя фоновые шумы и используя инструменты, такие как поиск Google, модель обеспечивает актуальную информацию во время беседы.

В дополнение к этому, Gemini 2.5 значительно улучшает синтез речи (TTS), предоставляя контроль над стилем, темпом и эмоциональной выразительностью озвучивания. Поддержка многоголосых диалогов делает модель идеальной для создания разнообразного мультимедийного контента, от подкастов до аудиокниг.

Для сохранения прозрачности, все аудио, созданные моделью, будут маркироваться технологией SynthID, что позволит однозначно идентифицировать контент, сгенерированный искусственным интеллектом. Попробовать новые функции можно во вкладках Stream и Generate Media в Google AI Studio. Gemini 2.5 представляет собой настоящий прорыв в развитии мультимодальных ИИ, объединяя текст, изображения, аудио и видео в единую экосистему, открывая горизонты для создания интерактивных приложений, виртуальных ассистентов и инновационных решений в образовании.