谷歌重磅发布Gemini 1.5 Pro：能自动写影评，理解视频！

2025-04-17 13:09:04 | 来源: AICG工具箱

4月10日凌晨，谷歌在官网正式发布了Gemini 1.5 Pro，现在可在180多个国家/地区使用。

除了能生成创意文本、代码之外，Gemini 1.5 Pro最大的特色是能根据用户输入的文本提示，理解、总结上传的视频、音频内容进行深度总结，并且支持100万tokens上下文。

目前，可以在Google AI Studio开发平台中免费试用Gemini 1.5 Pro，支持中文进行提示。

此外，谷歌还对Gemini API进行了性能优化，包括系统指令、JSON模式以及函数调用优化，可显著提升模型的稳定性和输出能力。

视频理解展示

「AIGC开放社区」通过Google AI Studio开发平台第一时间体验了一下最新的Gemini 1.5 Pro的多模态理解能力。使用方法非常简单便捷，以下是教程示例。

1)登录https://aistudio.google.com/app/prompts/new_chat然后选择模型Gemini 1.5 Pro，以及上方的Video功能。

2)点击Video后，选择Upload上传视频。

3)由于模型对上传视频的解析速度过慢，所以，这里直接使用了谷歌内置的视频示例。需要注意的是，上传视频不要超过100万tokens。

4)我们使用内置视频示例，然后用中文提问：“介绍一下这部影片讲述了哪些内容。”

5)Gemini 1.5 Pro正在解析，通常只需要几十秒就能完成。

结果已经出来了，这是一部由BusterKeaton 于 1924 年主演并导演的电影《福尔摩斯二世》。

6)我们继续发问，“你能用这个视频写一段600字的影评吗?”大概几十秒后，Gemini 1.5 Pro便生成了影评。

虽然生成的内容无法与顶级影评人的作品媲美。但整体的文章架构、叙述方法以及词汇的准确度是超过很多小白、中级影评人的水平。只需要在这个基础之上进行稍加修改，就是一篇不错的内容。

值得一提的是，用户可以一次性上传多个视频一起解读，这对于视频媒体行业来说很有帮助，可以快速理解长视频内容节省时间。

音频理解展示

我们再试试音频，基本操作与视频差不多。这里我们上传一份英文阅读ESL Podcast的课程。

然后上传MP3格式文件

2)音频比视频解析快了很多很多，这里我们上传的音频有大约12万tokens。

3)开始发问，“总结一下这个音频的内容。”

4)Gemini 1.5 Pro已经精准解读出来了，这个音频是 ESL Podcast 系列课程“Jeff 的一天”的第一课，旨在帮助学习者掌握日常英语词汇。

比较意外的是，Gemini 1.5 Pro还把整个可成的结构、故事内容和学习目标全部都解读了出来，看来Gemini 1.5 Pro还是更懂英文数据内容。

Gemini 1.5 Pro的音频理解，同样支持多个文件一起解读。

Gemini API改进

为了帮助开发人员更好地控制Gemini模型，谷歌对API进行了三个优化。

系统指令：目前可以在Google AI Studio 和 Gemini API 中使用系统指令功能，可指导模型的响应输出。能让用户根据其特定需求和用例控制模型的行为。

在设置系统指令时，用户需要为模型提供额外的上下文来了解任务、提供自定义程度更高的响应，并在用户与模型的整个互动过程中遵循特定准则。

而开发者通过系统指令能定义角色、格式、目标和规则，以引导模型在特定用例中的各种行为。

JSON模式：现在Gemini API 提供了一个配置参数，用于请求 JSON 格式的响应。可以帮助开发者从文本或图像中提取结构化数据。

函数调用优化：开发者可以使用自定义函数并将其提供给AI模型，但模型不会直接调用这些函数，而是生成指定函数名称和建议的参数的结构化数据输出。

该输出支持调用外部 API，然后生成的 API 输出可以重新合并到模型中，从而帮助开发者实现更全面的查询响应。

目前，Gemini 1.5 Pro已经全面开放使用了，有兴趣的小伙伴赶紧去试试吧。