Gemini 2.5 Flash Native Audio: GoogleのAI音声はこう変わる

Googleは、主要なアップデートにより、人工知能エコシステムの進化に新たな一歩を踏み出しました。 Gemini 2.5 フラッシュネイティブオーディオリアルタイムで音声を理解し、生成するように設計されたモデル。この技術は、音声インタラクションの効率化を目的としています。 人間の会話に近い日常生活でも、職場環境でも。

アシスタントの応答に単に「声を当てる」だけではなく、他のオプションと比較して、 音声AIの比較このモデルは、 自然で機能的、文脈的な対話を維持する, 会話の流れを中断せずに、いつ追加情報を求めるかを判断し、複雑な指示を管理するこれにより、Google は AI サービスとの主なやり取り手段として音声を採用するという取り組みを強化します。

Gemini 2.5 Flash Native Audio とは何ですか? また、どこで使用されていますか?

Gemini 2.5 Flash Native Audioは、Googleのネイティブオーディオモデルの最新バージョンであり、 聞き、理解し、音声で応答する リアルタイムで。音声合成のみに焦点を当てた従来のシステムとは異なり、このエンジンは音声を入力と出力の両方で同時に処理するように設計されており、特に会話型アシスタントに適しています。

同社はすでにこのバージョンをいくつかの主要プラットフォームに統合しています。 Google AI Studio、Vertex AI、Gemini Live、Search Liveこれは、開発者と企業の両方が構築を開始できることを意味します 高度な音声エージェント Google の最新の会話型 AI エクスペリエンスを支えるのと同じテクノロジーを活用しています。

実際には、ユーザーは次のような体験の変化に気づくでしょう。 ジェミニライブ （アシスタントとの音声会話モード）または ライブ検索 GoogleアプリのAIモードでは、音声による応答が聞こえる より表現力豊かで、より明確で、より文脈に沿ったさらに、アシスタントにゆっくり話すように依頼して、会話のペースを自然に調整することもできます。

これらの機能はGoogle自身以外にも、 Vertex AI と Gemini API他の企業が 自営業のエージェント 音声、仮想受付係、または同等の音声の洗練度を備えた支援ツール。

より正確な外部機能とより優れた評価のモデル

Gemini 2.5 Flash Native Audioが最も進歩した点の一つは、 外部関数を呼び出す簡単に言えば、意思決定を行う際のモデルの信頼性が向上しました。 リアルタイムのサービスやデータを参照する必要がある場合たとえば、更新された情報を取得したり、注文のステータスを確認したり、自動プロセスを起動したりします。

Googleは、この精度の向上により、アクションを実行する際のエラーが減り、アシスタントが期待に応えられなかったり、早まって動作してしまうといった厄介な状況が減ると指摘している。このシステムは、 取得したデータを音声応答に挿入する ユーザーは会話が突然中断されたことに気付くことはありません。

これらの進歩を測定するために、同社はモデルを次のようなテストにかけた。 ComplexFuncBenchオーディオ制約のある多段階タスクに焦点を当てた評価ベンチです。このシナリオでは、Gemini 2.5 Flash Native Audioは約 複雑な機能を実行する際の成功率は71,5%、このタイプの使用においては、以前のバージョンや他の競合モデルよりも優れています。

このパフォーマンスは、次のような高度な自動化ワークフローが必要な状況で特に重要です。 コールセンター、テクニカルサポート、トランザクション処理 (たとえば、財務タスクや管理タスク) 各ステップが前のステップに依存しており、エラーの余地がほとんどない状況です。

より優れた指示追跡とより一貫性のある会話スレッド

アップデートのもう一つの焦点は、モデルがどのように 指示を解釈し尊重する エンドユーザーと開発者の両方から受け取った指示です。Googleが発表したデータによると、指示遵守率は84%から 90%の遵守率これは、実際に求められた内容に沿った応答を意味します。

この飛躍は、それが求められるタスクにおいて鍵となる。 複雑な指示、複数のステップ、または複数の条件たとえば、特定のスタイルで説明を求める場合、一定の時間制限付きで要約を求める場合、または複数の関連する決定に依存するワークフローを設定する場合などです。

これに関連して、Gemini 2.5 Flash Native Audioでは、 以前のメッセージのコンテキストを取得する複数ターンの会話では、モデルは、発言内容、ユーザーが伝えたニュアンス、対話全体を通じて行われた修正をより正確に記憶します。

会話記憶の向上により、同じ情報を何度も繰り返す必要性が減り、対話がより効果的になります。 よりスムーズでイライラが少ないこの体験は、それぞれの答えを最初から始めるのではなく、中断したところから話題を再開する人と話しているような感じになります。

実際のユースケース：電子商取引から金融サービスまで

Googleは社内指標に加え、顧客事例を活用してGemini 2.5 Flash Native Audioの実践的な効果を実証しています。eコマース分野では、Shopifyがこれらの機能をアシスタントに組み込んでいます。 サイドキック」は、小売業者が店舗を管理し、ビジネスに関する疑問を解決するのに役立ちます。

同社によれば、多くのユーザーが AIと話していることを忘れてしまうほどだ 数分間の会話の後、ユーザーは長々と質問した後、ボットに感謝の意を表しました。このような反応は、自然な話し方や口調の進化によって、テクノロジーが微妙に後退していることを示唆しています。

金融セクターでは、プロバイダー ユナイテッド・ホールセール・モーゲージ（UWM） 同社は、住宅ローン関連のプロセスを管理するための「Mia」アシスタントにこのモデルを統合しました。Gemini 2.5と他の社内システムを組み合わせることで、同社は 14.000件以上の融資を処理 パートナーにとっては、正確性と規制遵守が求められる自動化されたインタラクションに依存しています。

一方、スタートアップは ニューオVertex AI経由でGemini 2.5 Flash Native Audioを使用して、仮想受付係これらの音声アシスタントは、騒がしい環境でも話者を識別し、会話の途中で言語を切り替え、 感情的なニュアンスを備えた自然な声域これは顧客サービスにおいて非常に重要です。

リアルタイム音声翻訳：より多くの言語とより多くのニュアンス

このバージョンで最も印象的な追加点の一つは ライブ音声翻訳当初は Google 翻訳アプリに統合されていた Gemini 2.5 Flash Native Audio は、単に音声をテキストに変換したり断片的な翻訳を提供したりするだけでなく、より没入感のあるエクスペリエンスを実現します。 同時通訳 人間の解釈に近づきます。

このシステムは、 継続的なリスニングこれにより、ユーザーはヘッドフォンを装着したまま、周囲の状況を自分の言語に翻訳された音声を聞くことができます。フレーズごとに一時停止したりボタンを押したりする手間はかかりません。この機能は、旅行中、国際会議への参加、複数の言語が使用されるイベントなどで役立ちます。

次のような状況も考慮されている。 双方向の会話例えば、片方が英語で話し、もう片方がヒンディー語で話していると、ヘッドフォンは英語の翻訳をリアルタイムで再生し、スマートフォンは最初の人が話し終わるとヒンディー語の翻訳を再生します。システムは、話している人に応じて出力言語を自動的に切り替えるため、ユーザーは順番に設定を変更する必要はありません。

この機能の最も重要な詳細の一つは、 元のイントネーション、リズム、トーンを維持する 話者の声に忠実な翻訳を実現。ロボットのような響きが少なく、話者の声質に近い翻訳となり、より理解しやすく、より自然な体験を実現します。

言語サポート、自動検出、ノイズフィルタリング

言語範囲に関しては、Gemini 2.5ベースの音声翻訳は、 70以上の言語と約2.000の翻訳ペアモデルの世界に関する知識と多言語およびネイティブオーディオ機能を組み合わせることで、他のツールでは必ずしも優先されない多くの言語の組み合わせを含む、幅広い言語の組み合わせをカバーできます。

システムは管理できる 多言語エントリー 1回のセッション内で複数の言語を同時に理解できるため、ユーザーが言語を切り替えるたびに手動で設定を調整する必要がありません。この機能は、複数の言語が自然に混在する会話で特に役立ちます。

のおかげで 話し言葉の自動検出ユーザーは、対話相手がどの言語でコミュニケーションしているかを事前に知る必要はありません。モデルが言語を識別し、即座に翻訳を開始するため、摩擦と中間ステップが削減されます。

Gemini 2.5 Flash Native Audioには、 ノイズに対する堅牢性周囲の音の一部をフィルタリングして主な音声を優先できるため、混雑した通りやオープンスペース、BGMが流れる場所でも快適な会話が可能になります。

ヨーロッパにおける利用可能性、展開、展望

このモデルに基づくライブ音声翻訳は現在、 Google翻訳アプリのベータ版 米国、メキシコ、インドなどの市場でAndroid端末向けに提供されている。Googleは、このサービスが段階的に展開されることを確認している。 より多くの地域とプラットフォームその他のモバイル システムも含まれます。

並行して、Gemini 2.5 Flash Native Audioの統合により、 ジェミニライブとライブ検索 これは、米国からAndroidおよびiOS版Googleアプリのユーザー向けに展開されます。これらの機能が成熟し、初期テストと適応段階を通過すると、他の地域にも展開される予定です。 おそらく欧州市場を含む、より多くの国々翻訳や音声アシスタントの需要が特に高い地域です。

Googleはまた、この音声翻訳体験を他の製品にも組み込む意向を発表した。 ジェミニAPIこれにより、今後数か月から数年のうちに、観光、物流、教育、行政などの分野の欧州企業がこれらの機能を自社のサービスに直接統合できるようになるでしょう。

同社は、開発者が 自然な音声で会話するエージェントを構築する 今後は、Gemini 2.5 Flash Native Audioと、より制御された音声生成（トーン、意図、速度などの調整）とフレームに重点を置いた2.5 FlashおよびProファミリーの他のモデルの両方を活用して、 エージェンティックAI財団.

Google は、この一連の改善により、顧客からの電話に対応して複雑な操作を処理するアシスタントから、言語を共有しない人々の間のコミュニケーションを容易にする同時翻訳システムまで、音声が人工知能と対話するための主要なチャネルの 1 つになるという考えを強化しています。 Gemini 2.5 Flash Native Audio はこの取り組みの中心であり、音声の理解と表現の両方を微調整します。 この技術をより便利にし、日常生活に邪魔にならないようにするために、欧州やその他の市場での全面展開を待ちます。