快讯科技财经汽车社会旅游娱乐时尚健康生活科学教育

热搜：极空间携手打包出售灵羊小咩便荔于古德伍德前5个月全远东酒店实第31届上海 2026央行一

首页 > 科技

谷歌最强大模型免费开放了！长音频理解功能独一份，100万上下文敞开用

发布时间: 2024-04-11 07:26:18 来源：量子位

观看：298

大佬1小时演讲1分钟搞定

谷歌最强大模型Gemini 1.5 Pro今天起，“全面”对外开放。

目前完全免费，开发者可以通过API调用的方式使用，普通玩家也可以在谷歌AI Studio中直接体验。

（Ps. 发布这则消息的谷歌工程师Logan Kilpatrick正是原来OpenAI开发者关系的负责人，刚刚跳槽到谷歌。）

最让人期待的是，Gemini 1.5 Pro API首次增加了音频理解功能。

无论是财报电话会、电视节目还是大神演讲，不需要我们再提供字幕文档它就可以直接解读了。

如下图所示：

上传Jeff Dean长约117000+token的演讲录音，Gemini 1.5 Pro在30.8s内就完成了解析。

而由于Gemini 1.5 Pro100万的上下文窗口这次也直接对外开放，因此它可以处理的最长音频约为11小时，最长视频则为1小时，相当够用。

我们也赶紧实测了一把，结果是真香。

Gemini 1.5 Pro开放API了

谷歌官方给这次免费开放的Gemini 1.5 Pro版本定义为“公开预览版”。

它主要面向开发者，可在谷歌AI Studio中获得API密钥：

目前最引人注目的音频理解功能还没添加到API中，但据说很快就会补上。

问题不大，我们可以先在Google AI Studio中直接体验：

在实测中，我们上传了比尔盖茨1995年做客Late Show节目的一段音频，时长1分钟。

我们没有提示这段音频的任何背景信息，Gemini 1.5 Pro直接就听出来了是谁。

并在10s左右精准整理出了全对话的精华部分，一点“正确的废话”都没有：

表现令人折服。

接下来，来个更具挑战的，Andrej Karpathy1小时长的大模型科普教程。

我们提取音频文件，足足10万多个token（这种在UI里直接显示当前消耗token数量的方法也广受好评）。

Gemini 1.5 Pro最终在53s内按要求给出了10个亮点分析：

可以说一分钟就让我们对1小时的演讲内容有了整体认知，再也不用费劲扒字幕文件了。

继续回到API本身。

除了音频理解，为了让开发者更好地控制模型输出，Gemini 1.5 Pro还提供了另外3项新功能/改进：

首先是系统指令。

我们可以自定义一些特殊用例，包括它们的角色、输出格式/风格/语气、目标和规则等等。

设置完成后，这个指令就会应用于接下来的整个请求。

示例如下：

其次，JSON模式。

也就是可以指示模型仅输出JSON对象了，非常方便我们从文本或图像中提取结构化数据。

第三，函数调用上也有改进。

为了提高可靠性，Gemini 1.5 Pro也可以选择不同模式来限制模型的输出了。

可以是文本模式，将生成文本作为输出；也可以是函数调用模式，或者干脆只输出函数本身（不带任何参数或其他信息）。

最后，还没完，从今天起，开发者还能通过该API调用谷歌的下一代文本嵌入模型：

text-embedding-004（又名“Gecko”）。

该模型在MTEB基准上实现了非常强大的检索性能，优于可比维度的所有对手。

两个月前诞生的谷歌最强大模型

Gemini 1.5 Pro于2月15日发布，距今还不到两个月。

它是Gemini Pro的升级版，多模态多语言，最大的亮点无疑是上下文窗口长度：

从128k到最多100万。

100万个token相当于可处理70万个单词或约3万行代码，折合成音频就是约11小时，视频约1小时。

无疑是很大的一个量级了（现在则完全在API中开放）。

当时官方的演示包括用它搜索阿波罗11号登月的电视转播信息，一共402页文字记录。

模型的响应时间大约在20s到1分钟。稍微有点慢，但谷歌承诺会优化延迟时间。

而Gemini 1.5 Pro发布之后，网友也很快分享了一些还不错的内测结果，包括：

鉴别Sora视频是否AI生成，给出关键证据；

在一场14分钟的NBA扣篮视频中，判断出哪个扣篮得分最高，并给出其中扣篮细节；

还有分析比较《星际穿越》和《星际探索》两个完整的电影脚本，合起来接近10万token，结果三十几秒内就给出了完整详尽的报告。

可以说，这次谷歌整体是没有让大伙失望的。

最高能的是，它还能看录像改BUG：

有网友在编写一个网页的代码时故意留了3个bug，并分别录制了3个bug视频，外加代码库打包成文件一同丢给Gemini 1.5 Pro，结果全部分分钟给出正确代码。

这位网友当时就表示：这“小伙子”前途不可限量啊。

而在今天，随着Gemini 1.5 Pro API的“全面”开放，大伙可以更进一步地感受其厉害了。

咳咳，就是目前速率限制还有点高：

每分钟请求量为5次，每分钟token为1000万个，每日请求量为2000个～

友情链接：
https://aistudio.google.com/app/prompts/new_chat
参考链接：
https://developers.googleblog.com/2024/04/gemini-15-pro-in-public-preview-with-new-features.html
https://twitter.com/OfficialLoganK/status/1777733743303696554

　　马斯克用行动反击开源自家顶级大模型压力给到OpenAI　　《科创板日报》3月18日讯(编辑宋子乔) 似乎是为了表明自己始终坚持对AI模型开源，马斯克做出了与阿尔特曼全然不同的选择。3月17日，马斯克宣布开源Grok-1，这美国《新闻周刊》网站2月4日刊登题为《人工智能可能会在数十年内解开人体的秘密》的文章，作者是亚历克斯·菲利普斯，内容编译如下：一位医生(同时也是一本关于新兴技术在医疗领域应用的新根据《天体物理学杂志》的最新报道，一个国际天文学家团队利用欧洲空间局的盖亚（Gaia）太空望远镜收集的数据，创建了迄今为止最庞大的三维宇宙地图。该地图涵盖了大约130万个活跃类星体的精确空间 3月22日黎明，太阳系中最明亮的行星金星与太阳系中拥有最多卫星的行星土星将在东南方低空近距离相伴，上演“结伴游”。北京星空摄影爱好者王俊峰2023年1月23日在北京西城区拍摄的金星（左上）、土星据英国《每日电讯报》网站3月18日报道，根据英国政府的新航空计划，首批电动飞行出租车将于2026年试飞。周一发布的《“飞行未来”行动计划》为飞行出租车在2030年广泛使用铺平道路。尽管在最初 3月24日，记者从中国农业科学院获悉，该院蔬菜花卉研究所甘蓝类蔬菜遗传育种创新团队，开发了快速创制细胞质雄性不育系的新方法——“一步法”。相关研究日前发表在国际期刊《自然&midd 。

本文链接：谷歌最强大模型免费开放了！长音频理解功能独一份，100万上下文敞开用http://www.sushuapos.com/show-2-4737-0.html

声明：本网站为非营利性网站，本网页内容由互联网博主自发贡献，不代表本站观点，本站不承担任何法律责任。天上不会到馅饼，请大家谨防诈骗！若有侵权等问题请及时与本网联系，我们将在第一时间删除处理。

上一篇： AI算力提高，高能耗和难散热问题如何突破？

下一篇：离谱！AI超市「无人」收款，1000个印度人藏在背后……

谷歌最强大模型免费开放了！长音频理解功能独一份，100万上下文敞开用

Gemini 1.5 Pro开放API了

两个月前诞生的谷歌最强大模型

热门资讯

推荐资讯

科技最热文章