(Source: Google)
Kemampuan AI untuk memahami dan menghasilkan suara membuka pintu bagi berbagai inovasi yang merevolusi cara kita berkomunikasi dan berinteraksi dengan mesin. Perkembangan ini tidak hanya memperkaya pengalaman pengguna, tetapi juga memberikan solusi praktis untuk berbagai kebutuhan, mulai dari asistensi pribadi hingga kreasi konten.
Gemini 2.5 mampu memahami dan menghasilkan konten secara orisinal dalam berbagai format, seperti teks, gambar, audio, video, dan kode. Dengan kemampuan ini, Gemini 2.5 memungkinkan percakapan yang lebih lancar dan bermakna antara manusia dan AI, sekaligus mengatasi batasan-batasan komunikasi suara yang sebelumnya ada.
Fitur-fitur unggulan dalam dialog audio real-time Gemini 2.5 Flash Preview menghadirkan pengalaman percakapan yang sangat alami. Interaksi suara memiliki kualitas luar biasa, ditunjang oleh ekspresivitas dan prosodi yang lebih akurat, serta latensi sangat rendah yang menjaga kelancaran percakapan.
Pengguna juga memiliki kontrol gaya melalui perintah bahasa alami, memungkinkan penyesuaian aksen, nada, ekspresi, bahkan kemampuan berbisik. Gemini 2.5 juga mampu mengintegrasikan alat dan fungsi selama dialog, memungkinkan penggunaan informasi real-time dari sumber seperti Google Search atau alat khusus pengembang, sehingga percakapan menjadi lebih praktis.
Sistem ini memiliki kesadaran konteks percakapan yang proaktif, dilatih untuk mengabaikan ucapan latar belakang atau audio tidak relevan, dan hanya merespons saat diperlukan. Selain itu, dengan dukungan asli untuk streaming audio dan video, Gemini 2.5 dapat berinteraksi dengan pengguna tentang apa yang terlihat dalam umpan video atau melalui berbagi layar.
Kemampuan multibahasa memungkinkan percakapan dalam lebih dari 24 bahasa yang didukung, bahkan mencampur bahasa dalam frasa yang sama. Gemini 2.5 juga menunjukkan dialog afektif, merespons nada suara pengguna, mengakui bahwa kata-kata yang sama yang diucapkan secara berbeda dapat menghasilkan percakapan yang sangat berbeda. Kemampuan penalaran Gemini meningkatkan percakapan secara keseluruhan, mengarah pada interaksi yang lebih koheren dan cerdas, terutama untuk tugas penalaran yang kompleks.
Selain kemampuan dialog, Gemini 2.5 juga memperkenalkan fitur text-to-speech (TTS) yang dapat dikontrol. Perkembangan teknologi TTS memang sangat pesat, dan dengan model terbaru ini, Google berhasil melampaui sekadar naturalitas. Kini, mereka memberikan kendali yang belum pernah ada sebelumnya terhadap audio yang dihasilkan. Pengguna sekarang bisa menghasilkan audio mulai dari potongan singkat hingga narasi panjang. Mereka dapat dengan tepat mendikte gaya, nada, ekspresi emosional, dan performa, semuanya cukup dengan memberikan perintah dalam bahasa alami.
Kemampuan tambahan yang tersedia sangat beragam. Misalnya, ada performa dinamis, di mana model ini mampu menghidupkan teks untuk pembacaan ekspresif, dari puisi hingga siaran berita dan penceritaan yang menarik. Ia bahkan dapat menampilkan emosi tertentu dan menghasilkan aksen sesuai permintaan. Kemudian, peningkatan kontrol kecepatan dan pengucapan memungkinkan pengguna mengatur kecepatan penyampaian dan memastikan akurasi pengucapan yang lebih tinggi, bahkan untuk kata-kata spesifik. Fitur generasi dialog multi-speaker juga hadir, memungkinkan model ini menghasilkan tinjauan audio gaya NotebookLM dengan dua orang dari input teks, membuat konten lebih menarik melalui percakapan.
Tak ketinggalan, kemampuan multibahasa memungkinkan pembuatan konten audio multibahasa dengan mudah menggunakan Gemini 2.5, menawarkan dukungan yang sama untuk lebih dari 24 bahasa. Untuk kebutuhan generasi ucapan yang dapat dikontrol (TTS), pengguna dapat memilih Gemini 2.5 Pro Preview untuk kualitas canggih pada prompt yang kompleks, atau Gemini 2.5 Flash Preview yang lebih hemat biaya untuk aplikasi sehari-hari.
