Google anunciou unha actualización significativa dos seus modelos Gemini 2.5 Flash Native Audio, deseñados para axentes de voz en directo. A compañía destaca que esta versión mellora a capacidade de seguir instrucións complexas, activar funcións externas con maior precisión e manter conversas máis naturais e cohesionadas.
Aseguran que o modelo acada un 71,5 % en ComplexFuncBench Audio, un banco de probas que mide a execución de chamadas de funcións con múltiples pasos. Ademais, a taxa de cumprimento das instrucións dos desenvolvedores ascende ao 90 %, fronte ao 84 % anterior.
A actualización tamén introduce a tradución de voz en tempo real, dispoñible en fase beta na aplicación Google Translate. Esta función permite tanto a escoita continua como a conversa bidireccional, traducindo automaticamente entre máis de 70 idiomas e 2000 pares lingüísticos. O sistema conserva a entoación, o ritmo e a tonalidade da voz orixinal, e incorpora detección automática do idioma e filtrado de ruído ambiental.
Clientes empresariais xa están a integrar estas capacidades en servizos de atención ao cliente e procesos financeiros.
A tecnoloxía comeza a despregarse en Google AI Studio, Vertex AI e Gemini Live, e chegará progresivamente a máis produtos, incluído o Gemini API en 2026.
Vídeo de presentación das novas funcionalidades de audio de Gemini
