谷歌发言人亚历克斯·约瑟夫今日向媒体证实，Gemini Live人工智能实时视频解析功能已正式上线。用户可通过智能手机摄像头或屏幕画面与AI互动，Gemini将实时分析视觉内容并解答相关问题。该功能基于2024年5月发布的Project Astra多模态项目开发，被视为对标OpenAI GPT-4o的重要落地成果。
据官方描述，用户开启手机摄像头后，Gemini Live可即时识别画面中的物体并解释其功能。例如对准咖啡机时，AI能指导操作步骤；扫描电器故障部件时，可提供维修建议。该功能支持在Pixel系列手机本地运行，强调低延迟与隐私保护，首批功能已向部分用户开放测试。
谷歌曾在2024年I/O大会上演示Project Astra原型：用手机扫描办公室环境，AI准确识别电脑型号、提醒日程安排，并推算白板上的公式结果。此次Gemini Live的上线标志着该项目从技术展示转为实际应用，其多模态能力整合了图像识别、语音交互与实时数据分析。
目前Gemini Live暂未开放自由对话时长限制，重点聚焦特定场景的视觉问答。谷歌表示正在优化复杂环境下的识别准确率，例如区分外观相似的工业零件、解读手写潦草文字等挑战。未来该功能将逐步扩展到更多安卓设备，并接入谷歌搜索数据库强化知识储备。
值得注意的是，Gemini Live的推出恰逢多模态AI竞争白热化阶段。OpenAI上月发布的GPT-4o同样支持实时视觉交互，但尚未开放公众测试。随着两大巨头在“可感知现实世界的AI助手”赛道加速布局，消费级智能终端或将迎来新一轮升级潮。
原创文章，作者：Google，如若转载，请注明出处：https://www.kejixun.com/article/712015.html
