待验证50% 置信事实精确时间
原生音频模型（如Gemini 3.1 Flash Live）直接在音频token空间上进行理解与生成，省去中间转写，能保留说话人情绪与语速特征，并使延迟显著下降。
1
来源数
50%
置信度
长期有效
时效性
2026/10/18
首次发现
来源
Gemini实时语音智能体实战：构建能听、能看、能说的多模态Agent
bilibiliMindofuture2026/10/18
涉及实体
相关事实
待验证Gemini 3.5 Transcribe 支持实时流式转写，可在音频持续输入过程中边听边输出结果76% 相似待验证Gemini TTS 提供的音色为预训练的声学模型，由模型在推理阶段动态生成而非音频拼贴68% 相似待验证Gemini Audio 提供'导演式'控制，能引导每个角色的表演方式并处理自然停顿和语气词67% 相似待验证Gemini Audio 支持多说话人对白场景，可将多个偏好声音拖放到同一段对白中67% 相似待验证Audio Overviews是Gemini Notebook的一项功能，可自动生成由两位虚拟主播对话式播报的音频摘要，时长通常在10-20分钟，于2024年发布后迅速走红65% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1060720API
curl https://kongchang.com/api/v1/knowledge/claims/1060720MCP
get_claim(id=1060720)