谷歌的下一个主要AI模型已到来，旨在应对来自OpenAI的一系列新产品。
周三，谷歌宣布Gemini 2.0 Flash。该公司表示，该模型能够原生生成图像、音频及文本，并可使用第三方应用和服务，从而接入Google搜索、执行代码等。
2.0 Flash的实验性版本即日起通过Gemini API和谷歌AI开发者平台（AI Studio和Vertex AI）上线。但在1月全面推出前，音频和图像生成功能仅面向“早期访问合作伙伴”开放。
谷歌表示，未来几个月内将把2.0 Flash以多种变体引入Android Studio、Chrome DevTools、Firebase、Gemini Code Assist等产品中。
升级版的Flash
第一代Flash（1.5 Flash）只能生成文本，并非专为高负载任务设计。谷歌表示，新模型更加多功能，部分原因在于它能调用搜索等工具并与外部API交互。
“我们知道Flash因其速度与性能的平衡而在开发者中极受欢迎，”谷歌Gemini模型产品负责人Tulsee Doshi在周二的简报会上表示，“随着2.0 Flash的推出，它的速度一如既往，但现在功能更强大。”
谷歌声称，根据其自身测试，2.0 Flash在某些基准测试中的速度是Gemini 1.5 Pro的两倍，且在编码和图像分析等领域有“显著”改进。凭借更出色的数学能力和“事实准确性”，2.0 Flash已取代1.5 Pro成为旗舰级Gemini模型。
如前所述，2.0 Flash能够生成并修改图像及文本。该模型还可以摄入照片、视频及音频录音来回答相关问题（例如“他说了什么？”）。
音频生成是2.0 Flash的另一项关键功能，Doshi将其描述为“可引导”且“可定制”。例如，该模型可以使用八种针对不同口音和语言进行“优化”的声音之一来朗读文本。
她补充道：“你可以要求它说慢一点，也可以要求它说快一点，甚至可以让它像海盗一样说话。”
作为记者需指出，谷歌并未提供2.0 Flash生成的图像或音频样本。至少在撰写本文时，我们无法得知其质量与其他模型输出的对比情况。
谷歌表示，正使用SynthID技术为2.0 Flash生成的所有音频和图像添加水印。在支持SynthID的软件和平台（即部分谷歌产品）上，该模型的输出将被标记为合成内容。
此举旨在缓解人们对滥用的担忧。事实上，深度伪造正成为一种日益增长的威胁。根据身份验证服务Sumsub的数据，2023年至2024年间，全球检测到的深度伪造数量增加了4倍。
多模态API
2.0 Flash的生产版本将于今年1月推出。与此同时，谷歌发布了Multimodal Live API，以帮助开发人员构建具有实时音频和视频流功能的应用程序。
谷歌表示，使用该API，开发人员可以创建实时的多模态应用程序，接收来自摄像头或屏幕的音视频输入。该API支持集成工具以完成任务，并能处理“自然对话模式”（例如中断），类似于OpenAI的Realtime API。
Multimodal Live API已于今日起全面开放。