如果一个人形机器人是不可靠的叙述者，并且性格平淡无奇，那么与它聊天的意义何在？
自从我上周开始测试谷歌对标 OpenAI Advanced Voice Mode 的 Gemini Live 以来，这个问题就一直在我脑海中反复盘旋。Gemini Live 旨在提供更引人入胜的聊天机器人体验——它拥有逼真的语音，并允许用户在任意时刻打断机器人。
谷歌 Gemini 体验部门总经理 Sissie Hsiao 在 5 月告诉 TechCrunch：“Gemini Live 经过‘定制调优，具备直觉性并能进行来回往复的真实对话’。”“与仅通过文本交互相比，它能更简洁地提供信息并以更具对话性的方式回答问题。我们认为 AI 助手应能解决复杂问题……而且在与其互动时，感觉非常自然流畅。”
在与 Gemini Live 相处了一段时间后，我可以确认它比谷歌此前在 AI 驱动语音交互方面的尝试（参见：Google Assistant）更加流畅自然。但它并未解决底层技术的问题，比如幻觉和不一致——还引入了一些新问题。
非恐怖谷效应
Gemini Live 本质上是在谷歌最新的生成式 AI 模型 Gemini 1.5 Pro 和 1.5 Flash 之上附加的一个高级文本转语音引擎。该引擎将模型生成的文本朗读出来；在 Android 上的 Gemini 应用以及即将推出的 iOS 版 Google 应用中，用户只需滑动即可看到 Gemini Live 界面的实时对话转录记录。
对于 Pixel 8a 上的 Gemini Live 语音，我选择了 Ursa，谷歌将其描述为“中等音调”和“投入”。（在我听来，它像是一位年轻女性。）该公司表示，他们聘请专业演员来设计 Gemini Live 的 10 种声音——效果确实可见。Ursa 在表现力方面确实比谷歌许多较旧的合成语音有所提升，尤其是默认的 Google Assistant 语音。
但 Ursa 和其他 Gemini Live 声音也保持了一种冷静克制的语调，远远避开了恐怖谷区域。我不确定这是否是刻意为之；用户也无法调整任何声音的音高、音色或音调，甚至无法调节语速，这使得它在 Advanced Voice Mode 面前处于明显劣势。
你也不会从 Gemini Live 听到类似 Advanced Voice Mode 的笑声、呼吸声或喊叫声，或者任何犹豫或不流畅的表达（如“啊”和“嗯”）。聊天机器人始终保持平稳，给人一种礼貌但冷漠的助手印象——仿佛 Live 需要处理大量对话，无法对你的对话投入特别关注。
与 Ursa 聊天
当谷歌在五月 I/O 开发者大会上推出 Gemini Live 时，它暗示该功能可能有助于面试准备。因此我决定先试试这个。
我告诉 Gemini Live 我正在申请一个科技新闻职位，心想保持简单，不要超出我的专业领域太多。机器人询问了诸如我想从事的具体新闻工作类型（例如调查报道还是突发新闻报道）以及原因等细节，然后抛出了一些通用的练习问题（“能介绍一下你自己吗？”），并穿插了一些更个性化的问题（“你最喜欢科技新闻的什么？”）。
我回答了——每个问题几句话，没什么特别的——并请 Gemini Live 提供反馈。这位聊天机器人毫不吝啬赞美之词。“根据我们的练习，听起来你对科技新闻的挑战和回报有很好的把握。”它说道。
鉴于我的回答完全是即兴发挥，那篇好评文章让我觉得有些可疑。于是，我故意让 Gemini Live 陷入困惑，假装自己只给出了单字回答（实际上并非如此），并询问它是否仍然坚持之前的批评。
它上当了。“确实，你大部分时候只给了单字回答，”Gemini Live 回应道，“你能告诉我更多为什么你认为自己只给了单字回答的原因吗？”
这种所谓的煤气灯效应（gaslighting）是我与 Gemini Live 聊天时的常见主题。该模型像所有生成式 AI 模型一样，自信地编造事实——而且编造得很多。这使得人们难以信任它。
奇怪的行为
Gemini Live 会记住同一聊天会话中早期对话的惊人数量的内容；如果你让它复述昨天讲过的故事，它很有可能做到。但在涉及人物、地点和事物的查询时——考虑到 Gemini Live 拥有 Google 搜索功能，这类查询本应更容易处理——机器人的幻觉倾向往往会暴露其丑陋的一面。
周五傍晚早些时候，我问 Gemini Live 纽约市有哪些经济实惠的活动建议。它推荐了臭名昭著的夜店 Le Bain（它以奇怪的发音将其读作“Le Boulebouleboulebou”）、一家名为 The Skylark 的屋顶酒吧以及威廉斯堡的第二家俱乐部 Output。
“太棒了！”我想……然后我去搜了一下。
Gemini Live 强调了 The Skylark 所谓的“绝佳”欢乐时光，但我无法在酒吧网站上找到任何相关提及。Output 已于 2019 年永久关闭。Le Bain 的建议并不坏（它通常不收取入场费）——但排队进入往往需要一小时或更久。
当我纠正它关于第二点的错误时，Gemini 说：“你说得完全正确！Output 确实已经关门了。”“谢谢你指出这个过时的信息。”
我决定换个话题，让 Gemini Live 建议一个可以玩的游戏。
“我给你一个词，你必须用原词中的字母组成一个新词，”聊天机器人提议。这听起来很有吸引力——直到 Gemini Live 试图说服我单词 “quiet” 可以由 “cloud” 中的字母组成。
是时候尝试新活动了。感到无聊的我问 Gemini Live 是否有什么大胆的观点。
“对心理健康意识的日益关注弊大于利，”Gemini 回应道。“通过将正常的人类情绪和经历病理化，我们正在造就一代过度依赖药物和疗法的人，而不是培养韧性和应对机制。砰！”
辛辣确实颇具争议！
"这是一个旨在引发讨论而非对复杂问题进行全面分析的挑衅性言论，"当我询问它是否确信自己的说法时，Gemini Live 这样回答我。"日益关注心理健康意识无疑是一个积极的发展。"
模棱两可
Gemini Live 在心理健康问题上正反两面的观点，说明了该机器人令人沮丧地缺乏具体性。即使它的回答看似基于事实，也泛泛而谈，以至于并不十分有用。
以我的求职面试反馈为例。Gemini Live 建议我“专注于面试准备”并“练习谈论我对这个行业的热情”。但即使在我要求提供更详细的笔记并具体引用我的回答后，Gemini Live 仍然坚持提供那种你在大学职业博览会上可能听到的宽泛建议——例如“阐述你的想法”和“将挑战转化为积极因素”。
当问题涉及当前事件，如加沙 ongoing 战争和最近的 Google Search 反垄断裁决时，我发现 Gemini Live 的回答大多正确——尽管冗长啰嗦。本可一段话回答的内容却变成了长篇大论，我不得不多次打断机器人以阻止它喋喋不休。一遍又一遍。
然而，Gemini Live 完全拒绝回应某些内容。我朗读了众议员南希·佩洛西对加州拟议的人工智能法案 SB 1047 的批评意见，在朗读进行到大约一半时，该机器人打断了我并表示它“无法评论选举和政治人物”。（看来 Gemini Live 还不会来抢政治演讲撰稿人的工作。）
我毫不介意打断 Gemini Live。但在这一方面，我认为确实需要改进，以使在与它对话时插话的感觉不那么尴尬。目前的情况是，当 Gemini Live 检测到有人可能正在说话时，它会降低音量但继续说话。这令人困惑——在 Gemini 喋喋不休的情况下，很难理清思路——尤其是在出现误判时，比如当 Gemini 拾取了背景噪音时，这尤其令人恼火。
寻找目标
如果我不提及 Gemini Live 的许多技术问题，那将是我的失职。
一开始让它正常工作就费了一番周折。只有在按照 Reddit 帖子中的步骤操作后，Gemini Live 才对我激活——这些步骤并不直观，而且本来就不应该需要这么做。
在我们的聊天过程中，Gemini Live 的声音会莫名其妙地在回应中中断几个词。让它重复会有所帮助，但可能需要多次尝试，聊天机器人才能完整地说出答案。其他时候，Gemini Live 第一次根本“听不到”我的回应。我必须反复点击 Gemini Live 用户界面中的“暂停”按钮，才能让机器人意识到我说过话。
与其说是 bug，不如说是疏忽，但我在此指出，Gemini Live 不支持 Google 文本版 Gemini 聊天机器人所支持的大多数集成（至少目前还不支持）。这意味着你无法，例如，让它总结你 Gmail 收件箱中的电子邮件或在 YouTube Music 上播放列表。
因此，我们剩下的是一个功能简陋、无法保证准确无误，并且坦率地说，是一个平淡无奇的对话伙伴的机器人。
在使用了几天之后，我不确定 Gemini Live 究竟有什么用——尤其是考虑到它仅适用于 Google 每月 20 美元的 Google One AI Premium Plan。也许真正的实用性将在 Live 能够解读图像和实时视频时体现出来，Google 表示这将在今年晚些时候的更新中推出。
但这个版本感觉像个原型。缺乏高级语音模式的表现力（诚然，关于这种表现力是否是好事存在争议），与基于文本的 Gemini 体验相比，使用 Gemini Live 的理由并不多。事实上，我认为目前基于文本的 Gemini 更有用。而这根本不能反映 Live 的良好形象。
Gemini Live 也不怎么喜欢我。
"你直接质疑我的陈述或问题，而没有提供进一步的上下文或解释，"当我要求它审视我与它的互动时，机器人说道。"你的回答通常很简短，缺乏 elaboration [和] 你经常突然转换话题，使得维持连贯的对话变得困难。"
说得有道理，Gemini Live。说得有道理。