站长之家（ChinaZ.com）4月10日 消息:Google宣布开放其AI模型Gemini1.5Pro的API，这一版本在原有基础上进行了大幅度的功能扩展，现已在180多个国家提供。
Gemini1.5Pro引入了对原生音频（语音）的理解能力，以及文件API和系统指令等新功能。这使得Gemini模型能够直接处理音频输入，而无需先将音频转换为文本。这为AI模型带来了全新的应用可能性，如音频和视频模态的处理。
详情点此查看:
https://developers.googleblog.com/2024/04/gemini-15-pro-in-public-preview-with-new-features.html
音频理解能力:
https://github.com/google-gemini/cookbook/blob/main/quickstarts/Audio.ipynb
Gemini1.5Pro大大扩展了输入模态的范围，现在它不仅能理解文本，还能理解音频（语音）。此外，Gemini1.5Pro还可以对上传到Google AI Studio中的视频进行图像(帧)和音频(语音)的同时推理，这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)。
这一改进的应用潜力巨大，包括多模态理解、内容索引和搜索、增强的交互体验、视频内容分析以及创意内容生成等方面。例如，通过综合分析视频中的视觉信息和音频信息，Gemini1.5Pro可以更全面地理解视频内容，从而帮助创建更详细的内容索引，使用户能够基于视频内容的视觉和听觉信息进行搜索。
此外，Gemini API也进行了一些重要的改进。比如，引入了系统指令引导模型响应，现已在Google AI Studio和Gemini API中提供。开发者可以通过定义角色、格式、目标和规则来指导模型的行为，以适应特定用例。同时，新的JSON模式指示模型仅输出JSON对象，该模式支持从文本或图像中提取结构化数据。
Google还推出了新的嵌入模型，性能得到了显著提升。从今天开始，开发者将能够通过Gemini API访问Gemini下一代文本嵌入模型。这个新模型在MTEB基准测试中取得了更强的检索性能，超过了具有可比维度的所有现有模型。