Google 宣布 Gemini 1.5 Pro 开放API
现已在180多个国家提供, 新增对原生音频（语音）理解能力、文件API、系统指令、JSON模式等功能
现已在180多个国家提供, 新增对原生音频（语音）理解能力、文件API、系统指令、JSON模式等功能
现在Gemini模型能够直接处理音频输入，而不需要将音频先转换为文本。
Gemini 1.5 Pro扩展了输入模态，包括在Gemini API和Google AI Studio中理解音频（语音）。
此外，Gemini 1.5 Pro能够对上传到Google AI Studio中的视频进行图像（帧）和音频（语音）的同时推理，意味着这个模型具备了理解和处理视频内容的能力，不仅限于视频的视觉部分（如图像帧），也包括音频部分（如对话、背景音乐等）。
商业转载请联系三花微信公众号获得授权，非商业转载请注明本文出处及文章链接，您可以自由地在任何媒体以任何形式复制和分发作品，也可以修改和创作，但是分发衍生作品时必须采用相同的许可协议。
本文采用 CC BY-NC-SA 4.0 - 非商业性使用 - 相同方式共享 4.0 国际 进行许可。