На конференции Google I/O 2025 анонсирована мультимодальная модель Gemini 2.5. Она умеет:

- Генерировать аудио и диалоги в реальном времени.
- Распознавать эмоции и адаптировать интонацию, акцент.
- Поддерживать более 24 языков, игнорируя фоновые шумы.

Gemini 2.5 также предлагает продвинутый синтез речи, позволяя управлять стилем и темпом. Все сгенерированные аудио можно идентифицировать с помощью технологии SynthID. Это открывает новые возможности для интерактивных приложений и виртуальных ассистентов.

Подробнее: Google.

@Unlim_AI