谷歌升级Gemini 1.5 Pro AI可以听音频了
4月10日消息，谷歌升级了大语言模型Gemini 1.5 Pro，为其配备了“耳朵”，使其能够监听并分析上传的音频文件，从财报电话会议或视频音频中提取关键信息，无需转为书面材料。在美国时间周二举办的Google Next大会上，谷歌宣布，通过其人工智能应用开发平台Vertex AI，将Gemini 1.5 Pro首次对外开放。该模型最初于今年2月亮相。
Gemini 1.5 Pro被视为Gemini家族中的“中量级”（middle-weight）模型，其性能已经超越了最大规模、最强大的Gemini Ultra。谷歌表示，Gemini 1.5 Pro能够理解复杂指令，而且使用时无需对模型进行特别调整。
需要指出的是，不通过Vertex AI的用户无法体验到Gemini 1.5 Pro的全部功能。目前，大众主要通过Gemini聊天机器人与Gemini大语言模型互动。尽管GeminiUltra为Gemini Advanced聊天机器人提供了强大支持，能理解较长的指令，但在反应速度上不及Gemini 1.5 Pro。
除了Gemini 1.5 Pro的更新，谷歌还对其它大型人工智能模型进行了升级。特别是作为文本转图像生成模型的Imagen 2，它增强了Gemini的图像生成能力。通过引入图像外延（Outpainting）和内填（Inpainting）功能，用户现在能更灵活地对图像的元素进行添加或删除。
为确保Imagen模型生成的图片版权和来源可追溯，谷歌为所有生成图片加入了SynthID数字水印技术。这种创新技术通过几乎不可见的水印明确标识图片来源，可以通过专用工具进行检测。
Imagen模型的许多新特性，如图像外延和内填技术，已被其他文本转图像模型采用，例如Stability AI的Stable Cascade和Getty的Generative AI by iStock。此外，这些技术也被广泛应用于消费电子产品中，如三星Galaxy手机。
除图像生成的创新外，谷歌还公开展示了一种结合人工智能生成回答和谷歌搜索结果的方法，旨在为用户提供更实时、更准确的信息。然而，大语言模型生成的回答并非总是精准无误，有时可能会误导用户。因此，谷歌对Gemini模型设置了一些限制，比如禁止回答与2024年美国大选相关的问题。
此前，Gemini模型因在生成历史人物描述时出现不准确而受到批评。
