勇敢面对OpenAI：Google Gemini 2.5实时音频表现居榜首，功能调用准确率达到71.5%。

谷歌本周宣布对其原生音频模型 Gemini 2.5 Flash Native Audio 进行重大更新，旨在将 AI 交互从简单的“文本转语音”转变为真正类人实时的交流。

此次更新的核心在于其“原生”处理能力。与传统人工智能需要先将语音转换为文本后处理不同，该模型能直接感知音调、情绪和声音暂停，使对话更加自然流畅。

谷歌数据显示，新版本对开发者指令的合规率已从84%提升到90%，在处理多步工作流程时显示出更高的准确性。在音频基准测试ComplexFuncBench中，其功能调用准确率达到71.5%，超过OpenAI gpt-realtime（66.5%），显示出在现场语音代理领域的强劲竞争。

目前，这项技术已完全集成到Google AI Studio、Vertex AI、Gemini Live和Search Live中。开发者现在可以通过 Gemini API 体验这一升级模型，利用其更强的一致性和多回合对话记忆功能，构建更可靠、更具情感感知的 AI 助手。