Google 在 I/O 2025 上发布了对 Gemini API 和 Google AI Studio 的一系列重要更新，涵盖模型能力扩展、音频与视频输入支持、思维过程可视化、浏览器自动化控制等新功能。

这些更新显著提升了开发者在构建文本、图像、音频、视频、多模态代理方面的能力。

Gemini API 已逐步发展为一个完整的多模态智能平台，适用于从代码生成到音频对话、从网页信息提取到浏览器操作控制的广泛场景。允许开发者调用其最先进的文本、图像、音频和视频模型。此次更新聚焦于以下方面：

  1. 新模型与语音能力升级
  2. 实时音乐生成
  3. 多模态输入增强（视频理解等）
  4. 开发工具与API结构更新（如思维摘要、浏览器控制、异步函数调用）

  5. 为开发者提供更高效、经济的模型访问方式（如批处理 API）

模型更新与能力拓展

🧠 1. Gemini 2.5 Flash Preview 新模型

  • 版本标识： gemini-2.5-flash-preview-05-20
  • 性能改进： 在逻辑推理、代码生成、长上下文处理方面超过前代。
  • 评测成绩： 在 LMarena 榜单中排名第二，仅次于 Gemini 2.5 Pro。
  • 效率提升： 评估显示 token 使用效率提高了 22%。

🔊 2. Gemini 2.5 Pro & Flash TTS（文本转语音）

  • 支持语言： 超过 24种语言。
  • 支持类型： 单一发声人、多发声人（multi-speaker），支持情绪、语气控制。
  • 应用场景： 创建拟人化AI角色、多轮语音对话代理、音频内容创作等。

🗣️ 3. Gemini 2.5 Flash 原生语音对话模型

  • 功能特性：

    • 提供30种不同声音风格
    • 自动识别背景与说话者区分
    • 响应用户语调/情绪变化
    • 使用“思考模型”进行复杂逻辑处理

  • 适用场景：

    • 呼叫中心智能代理
    • 多角色语音故事
    • 带语气的个性语音助手

🎵 4. Lyria RealTime：实时音乐生成

  • 工作原理： 通过 WebSocket 建立实时流式连接，模型持续生成音乐片段。
  • 控制方式： 文本提示控制生成风格与节奏。
  • 应用示例： Google AI Studio 中的 PromptDJ-MIDI 示例应用。

🧮 5. Gemini 2.5 Pro Deep Think（深度思维模式）

  • 用途： 实验性功能，用于处理复杂数学与编程问题。
  • 表现： 推理链更长，精度更高，适用于高级代码生成和逻辑求解。

💡 6. Gemma 3n（轻量多模态模型）

  • 部署平台： 适用于手机、笔记本、平板等边缘设备。
  • 支持模态： 文本 + 音频 + 图像。

  • 技术架构：

    • PLE参数缓存：按层缓存减少推理负担。
    • MatFormer架构：降低计算与内存开销。

API 功能增强与开发者工具

🧠 1. 思维摘要（Thought Summaries）

  • 用途： 提取模型在推理时的中间想法（chain-of-thought），帮助开发者理解模型思维路径。

  • 展示方式：

    • 标题分类
    • 工具调用链展示
    • 与最终回答并列展示
  • 代码示例（Python）：

``` from google import genai from google.genai import types

client = genai.Client(apikey="GOOGLEAPI_KEY") prompt = "What is the sum of the first 50 prime numbers?"

response = client.models.generatecontent( model="gemini-2.5-flash-preview-05-20", contents=prompt, config=types.GenerateContentConfig( thinkingconfig=types.ThinkingConfig( thinkingbudget=1024, includethoughts=True ) ) )

for part in response.candidates[0].content.parts: if part.thought: print("Thought summary:\n", part.text) else: print("Answer:\n", part.text)

```

⚖️ 2. 思考预算（Thinking Budgets）

  • 功能： 控制模型在生成内容时“思考”的深度，以平衡准确率、延迟与成本。
  • 应用： 可限制 token 使用量，适用于低延迟场景。

🔗 3. URL Context 工具

  • 说明： 模型可从指定网页自动获取相关上下文信息。
  • 组合使用： 可与 Google Search grounding 工具协同使用，增强研究型代理能力。
  • 使用方式：

``` tools = [ Tool(urlcontext=types.UrlContext), Tool(googlesearch=types.GoogleSearch) ]

response = client.models.generatecontent( model="gemini-2.5-flash-preview-05-20", contents="Give me a 3-day schedule based on YOURURL...", config=GenerateContentConfig(tools=tools) )

```

🌐 4. 浏览器自动化控制（Project Mariner）

  • 功能： 控制浏览器行为，如点击按钮、滚动页面、填表等。
  • 部署方式： 可一键在 Cloud Run 部署浏览器代理。
  • 合作企业： UiPath、Browserbase、Automation Anywhere 等已参与早测。

📼 5. 视频理解更新

  • 输入支持： YouTube 视频链接、直接上传视频。

  • 支持功能：

    • 视频总结、分析、翻译
    • 视频裁剪（提取片段分析）
    • 可变帧率（0.1 ~ 60 FPS）支持游戏/体育等高帧内容
    • 分辨率控制：720p / 480p / 360p

⚙️ 6. 异步函数调用（Async Function Calling）

  • 新特性： 在 Live API 中实现异步调用，不阻塞对话主流程。
  • 设置方式： 在函数定义中将 behavior 字段设为 NON_BLOCKING。

🧾 7. 批处理 API（Batch API）

  • 功能： 支持将多个请求批量发送，最长24小时返回结果。

  • 优势：

    • 成本为交互API的一半
    • 提供更高速率限制
  • 适用场景： 大规模分析、批量文档处理、离线评估等。

总的来说：

✅ Gemini API 的新能力使其成为一个：

  • 真正多模态的统一接口
  • 适用于轻量到重载各种设备
  • 涵盖音频、视频、图像、网页、文本等复杂交互场景
  • 支持更透明可控的模型输出与思维调试

开发者可以：

  • 快速原型测试
  • 构建可商用的智能代理
  • 集成语音、视频、图像等输入输出
  • 使用工具调度和自动化控制接口创建智能工作流

🧩 推荐场景：

  • 构建语音对话机器人
  • 开发视频内容摘要工具
  • 音乐生成创作应用
  • 浏览器自动化测试工具
  • 研究型 AI 信息代理

原文：https://developers.googleblog.com/en/gemini-api-io-updates/

📚 查看开发者文档以获取更多示例代码与API指南：https://ai.google.dev