Google翻譯引進Gemini原生語音能力，開始測試即時語音翻譯功能

最近研究了多套語音轉文字的模型，今天這篇文章我打算來分享一套由 Google 發展的 Chirp 通用語音模型 (Google USM)，該模型能夠在單一模型中統一處理多種語言的數據，且主要用來處理短音頻 (小於1分鐘)和長音頻 (1分鐘至8小時)的應用情境。

Google 於 2025 年 10 月 7 日發表了一項革命性技術 Speech-to-Retrieval (S2R) 搜尋模型，徹底改變了以往的語音搜尋流程。在過去進行語音搜尋時，通常都需要先將語音轉換成文字（俗稱自動語音識別 Automatic Speech Recognition, ASR），再以文字進行搜尋。然而，在 ASR 過程中即使只是些微錯誤，也可能導致搜尋 ...

許多 Google 產品都支援語音辨識功能。 舉例來說，您可以透過語音向 Google 助理尋求協助、利用 Gboard 的語音輸入功能傳送訊息給好友，以及在 Google Meet 自動產生會議字幕。

Gemini 2.5 Flash Native Audio 改良了語音、上下文和即時翻譯功能。了解其特性以及它將如何改變 Google Assistant。該公司已將此版本整合到其幾個關鍵平台中： Google AI Studio、Vertex AI、Gemini Live 與 Search Live 這意味著開發者和公司都可以開始構建 高級語音代理 採用與Google最新對話式人工智慧體驗相同的技術 ...

Google 宣布 Google Translate 正式整合 Gemini AI 技術，大幅提升翻譯準確度與自然度，同時推出「耳機收聽即時翻譯」測試功能，用戶可透過任何耳機聆聽即時翻譯內容。

真正的突破則出現在語音層面。 Google表示，Google翻譯正在測試的即時語音翻譯功能，採用了Gemini 2.5 Flash Native Audio的原生語音能力，可直接於聲音層面進行理解與生成，不必經過傳統的「語音轉文字、再轉回語音」流程。

記者鄧天心／綜合報導 Google宣布推出全新即時口譯體驗，使用者只要戴上耳機，就能直接收聽Google翻譯的即時語音，一般耳機都能成為隨身翻譯裝置，不過這項仍在beta測試階段，操作方式很簡單，開啟Google翻譯App、戴上耳機，點選「即時翻譯（Live translate）」後，便可選擇偏好的目標語言，即時 ...