近日，谷歌发布了关于全球语言智能的最新技术成果，宣布其各项 AI 技术与产品已能够支持超过300种语言、覆盖全球71亿人口及86% 的人口比例。谷歌表示，真正的语言大模型不仅要完成简单的文本翻译，更要深入理解人类在真实世界中充满语气、情感与文化细微差别的交流方式。 在技术架构上，传统的语音识别通常采用将音频转为文本、处理文本再转回音频的多步刚性管线，这会剥离掉人类对话中至关重要的语调、节奏、情感与上下文。为了还原真实的交流质感，谷歌推动了向原生音频智能的跃迁，让诸如 Gemini 等模型能够直接处理和理解音频本身。…