Newshot

Gemini 替你打电话,预约从“自己开口”变成“交给代理”

Summary

2026 年 11 月 20 日,Google 把 Duplex 的通话能力接进 Tasks in Gemini:订餐厅、约美发,交代一句,它替你拨通商家、谈妥条件。变化不在 AI 会不会聊天,而在你把一次现实沟通交了出去。 它更像一位会打电话的委托助理,而不是聊天机器人:前者要听清商家的即时变化、追问并确认,后者主要在文字界面里回答问题。 Gemini 能替我打什么电话? Gemini 现在不只会给餐厅留消息,还能替用户拨通商家的电话,把订餐、预约美发这类现实杂务交给它处理。 Duplex 不是新功能,早年在 Google 内部就是让 AI 与本地商家自然通话的那套东西,此后陆续进入多个产品,这次直接装进了 Tasks in Gemini。 Tasks in Gemini 的定位是协调现实杂务的个人 AI 助手(替你处理现实事务的 AI 助手)。它和普通语音助手的区别不在能不能拨号,而在拨通之后:与商家沟通、把订餐和预约的请求一路处理下去。 “打电话”的边界因此换了一层:过去是你问餐厅、Gemini 转达,现在是你把订位或美发预约交给它,由它代表你谈完。 它能不能在真人与 AI 来电之间听清需求、接住变化,才是这套能力真正的考题。 半秒的停顿,为什么能毁掉一通电话? 预约规则未必复杂,难的是真人在通话中不断改变节奏。AI 得同时听懂、判断并及时接话。 真人打电话很少照脚本走。商家可能在句子中途改口,刚说出的要求又被新想法取代;另一方还可能插话,把原本简单的确认变成一串临时变化。AI 不能只识别固定问题,还要根据前文理解对方现在真正提出了什么要求。 更难的是判断“现在该谁说”。电话里没有按钮可提示,双方常靠细微的语气变化交接轮次。停顿超过半秒,对方会以为电话已经断线;提前开口,两边就同时说起来,原本礼貌的沟通立刻变成互相打断。 所以系统要控制的不只是“说什么”,还有“什么时候说”。只让文字模型生成一句正确回复、再把它念出来,不够用。 高质量的语音理解、情境推理和语音生成,需要在同一个低延迟系统(响应足够快、能协同处理声音的系统)里协同工作。语音理解负责听清内容,情境推理负责跟上改口和插话,语音生成则要选对时机、用自然语气回应。 官方配图 1 · 来源:Google Research:Blog(网页) · 数据口径以原文为准 从会打电话,到能临场办事 Duplex 的…

Original text(via 听说了吗)

Gemini 替你打电话,预约从“自己开口”变成“交给代理”

Gemini 正把 Duplex 的电话能力装进 Tasks,让 AI 代用户联系商家。它从早期的窄范围订餐模型,演变为结合 Gemini 多模态理解、规划与对话,以及专用声学模型的统一系统;用户提出任务后,系统可询问商家、确认条件并完成预约。

封面图来自aiwrangler.co(新闻图)
封面图来自aiwrangler.co(新闻图)
  • Gemini 可代订餐厅、预约美发
  • 电话交互依赖实时理解与生成
  • Duplex 演进为 Gemini 统一栈

本文依据 Google Research 官方博客及其介绍的产品能力,文中关于功能、架构与历史数据的描述均来自厂商披露,未见第三方实测。

2026 年 11 月 20 日,Google 把 Duplex 的通话能力接进 Tasks in Gemini:订餐厅、约美发,交代一句,它替你拨通商家、谈妥条件。变化不在 AI 会不会聊天,而在你把一次现实沟通交了出去。

Gemini 能替我打什么电话?

Gemini 现在不只会给餐厅留消息,还能替用户拨通商家的电话,把订餐、预约美发这类现实杂务交给它处理。

Duplex 不是新功能,早年在 Google 内部就是让 AI 与本地商家自然通话的那套东西,此后陆续进入多个产品,这次直接装进了 Tasks in Gemini。

Tasks in Gemini 的定位是协调现实杂务的个人 AI 助手(替你处理现实事务的 AI 助手)。它和普通语音助手的区别不在能不能拨号,而在拨通之后:与商家沟通、把订餐和预约的请求一路处理下去。

“打电话”的边界因此换了一层:过去是你问餐厅、Gemini 转达,现在是你把订位或美发预约交给它,由它代表你谈完。

它能不能在真人与 AI 来电之间听清需求、接住变化,才是这套能力真正的考题。

半秒的停顿,为什么能毁掉一通电话?

预约规则未必复杂,难的是真人在通话中不断改变节奏。AI 得同时听懂、判断并及时接话。

真人打电话很少照脚本走。商家可能在句子中途改口,刚说出的要求又被新想法取代;另一方还可能插话,把原本简单的确认变成一串临时变化。AI 不能只识别固定问题,还要根据前文理解对方现在真正提出了什么要求。

更难的是判断“现在该谁说”。电话里没有按钮可提示,双方常靠细微的语气变化交接轮次。停顿超过半秒,对方会以为电话已经断线;提前开口,两边就同时说起来,原本礼貌的沟通立刻变成互相打断。

所以系统要控制的不只是“说什么”,还有“什么时候说”。只让文字模型生成一句正确回复、再把它念出来,不够用。

高质量的语音理解、情境推理和语音生成,需要在同一个低延迟系统(响应足够快、能协同处理声音的系统)里协同工作。语音理解负责听清内容,情境推理负责跟上改口和插话,语音生成则要选对时机、用自然语气回应。

Google Research:Blog(网页) 官方配图 1
Google Research:Blog(网页) 官方配图 1

从会打电话,到能临场办事

Duplex 的变化,是让原本服务于单一任务的电话系统,逐步拥有理解对话、临场应对和完成目标的通用能力。

早期 Duplex 像一位只会固定流程的接线员。它使用按任务定制的循环神经网络(按时间顺序处理信息的神经网络),训练材料来自匿名化、特定任务的电话对话。系统能完成预设边界内的工作,却无法灵活应对所有请求。

转折点出现在 2022 年。那一年,Google Duplex 已在实时通话中使用 LaMDA(Google 的大语言模型)。

LaMDA 本身是 2018 年推出的模型,从登场到被塞进一通真实的电话里,隔了四年。这四年里变的不只是模型,还有它要面对的东西:电话里的变化可能来自对方,而非测试集中预设的路径,模型不再只沿着特定任务脚本推进,还要处理意外转折与题外话。

Google 对最新变化的概括很明确:Duplex 已从定制神经管线(围绕特定任务搭建的模型与处理流程),演进为由 Gemini 驱动的统一技术栈(由同一套底层能力支持不同任务)。过去按任务分别构建的能力,开始汇入一个可同时支持对话与任务完成的系统。

Google Research:Blog(网页) 官方配图 2
Google Research:Blog(网页) 官方配图 2

Gemini 接手后,电话处理多了一道分工

Gemini 把原来分散在不同模型里的电话能力合并到一个统一技术栈,再把容易出错的线路细节交给专用模型处理。

Gemini 现在承担整通电话的主干工作:理解对方在说什么,判断用户想完成什么,规划下一步怎么沟通,并生成合适的回应。它把多模态理解(同时处理语音等不同信息形式)、规划和对话能力放在同一套系统中,不再让每类预约都依赖单独定制的对话模型。

专用模型处理更靠近电话现场的部分。声学模型负责在背景噪声、线路压缩和嘈杂电话中辨认说话内容;对话节奏模型负责处理停顿、抢话和话轮切换,判断此刻该继续听、开口,还是把话留给对方。Gemini 决定“说什么、怎么处理”,专用模型把“何时听、何时说”校准到真实通话的节奏。

这套分工能不能撑住真实商家通话,要看它在噪声、抢话和临时改口下的表现。

同一套对话能力,已经跨进搜索、地图和设备

Duplex 已进入设备、搜索和地图,共用同一套对话基础设施。代理不只回答问题,还能替用户推进现实事务。

这套基础设施最早用于商家信息核验。新冠疫情期间,营业时间和商家服务频繁变化,Duplex 自动核验这些信息,并更新 Google 搜索和地图中的商家资料。仅通话所得信息在 Search 和 Maps 中展示的次数就超过 1 万亿次。一次电话产生的信息,由此进入用户查找商家的路径。

通话模型随后进入设备场景,成为 Call Screen 与 Hold for Me 的技术支撑。Call Screen(来电识别与过滤功能)帮助用户处理陌生来电,Hold for Me(代等人工接通功能)在等待客服接通时替用户保持电话联系。两个功能都靠对语音和对话状态的实时处理,一个挡在通话入口,一个守在等待中间。

到了 2025 年和 2026 年,基础模型进一步推动 Google Search 和 Ask Maps 中更广泛的代理式通话能力。同一套模型能力可以服务不同入口:在设备上管理通话,在搜索中发起查询与任务,在地图中处理地点相关事务。任务入口变了,底层能力仍可复用。

我们的判断:这套能力已经过了单点验证,接下来能不能铺开,前提是用户愿意把「替我说」的边界交给它;在涉及价格、时间和承诺的场景里,这个前提并不自动成立。

当 AI 代表你与商家谈妥条件时,你是否清楚它能替你决定到什么程度?

信源:Google Research《How Google Duplex evolved to also call businesses for you in Gemini》(2026年11月20日)及 Gemini Drops、BPDATA、TideReach 补充材料;产品能力、架构演进与历史展示次数均为 Google 官方披露,相关材料未提供第三方实测。

术语小典 · 本篇出现的人话注解

深度、研究解读、工具教程的全文和全部播客,都在会员区。

The text above was extracted automatically from the source page and may miss images, tables or code blocks. The original is authoritative.

Published by 听说了吗
This site only summarises and aggregates; copyright stays with the original author. Headlines and summaries follow the source — where they differ, the original wins.
Read the original ↗