Google 把 Duplex 整合進 Gemini Tasks,讓 AI 助理替你打電話給商家
Google 回顧 Duplex 十年演進:如何在 Gemini Tasks 中替使用者打電話給商家
訂餐、約時間常得直接打電話,但商家可能改口、背景又很吵,AI 得接得上話,也不能搶著開口。
- Google 回顧 Duplex 十年來的變化,並把它整合進 Gemini App 的 Tasks,讓 AI 助理依照使用者交代的事情致電商家。
- 現在系統使用 Gemini 處理理解、規劃和對話,也能在商家提出其他時段時調整安排。電話一開始會說明是 Google 的自動系統,商家也能選擇不接這類電話。商家不用安裝軟體或改變原本接電話的方式。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Duplex 從固定流程走向 Gemini 統一架構,也說明電話服務得同時處理對話節奏、背景噪音與商家拒絕等現場狀況。
Google Research:Blog·2026-11-20 08:00· 1 天前精選AI 評分67
How Google Duplex evolved to also call businesses for you in Gemini
AI 導讀
Google Research 回顧 Duplex 十年架構演進,並介紹本週在 Gemini App Tasks 中上線的自動致電商家功能。
推薦理由
文章梳理 Duplex 三代架構演進與技術難點,可幫讀者理解 AI 電話AI 助理如何處理即時對話的延遲與語用問題。
完成訂晚餐、約理髮這類事情很費時間。即時電話對話節奏很快,很少按劇本走。電話那頭的人幾乎什麼話都可能說,還常常說到一半就改口——而人們往往靠細微的語氣變化來判斷該誰開口。停頓多出半秒,聽起來就像電話斷了;搶話太早,又會變成兩個人同時說話。要藉助 AI 在電話裡得體地完成這些事,我們必須讓高質量的語音理解、上下文推理和語音合成在同一個低延遲系統裡協同工作。
大約十年前,我們推出了 Google Duplex 來應對這一挑戰。在基礎模型進步的推動下,Duplex 架構不斷演進,如今已能為 Google 搜尋、地圖等眾多核心產品提供自主任務完成能力。本週,我們在 Gemini 應用中的 Tasks 裡上線了 Duplex——這是一個個人 AI 協作助手,能幫你處理現實生活中的瑣事,比如替你給商家打電話,代表使用者完成現實世界中的請求。本文回顧這十年間的架構演進,正是它讓這一切成為可能——從早期封閉領域的模型,走向完全基於 Gemini 構建的統一技術棧。
從封閉領域通話到 Gemini 中的 Tasks
最初只是一個狹窄的、針對特定任務的系統,很快就擴充套件為共享的對話基礎設施,由 Google 各團隊協作打造。
新冠疫情期間,營業時間和服務內容變化很快,Duplex 加大了自動核實商家資訊的力度,以保證商家資訊準確。它至今仍是重要的資料來源;例如,正如我們在 2023 年所分享的,來自 Duplex 電話通話的商家資訊在搜尋和地圖中展示已超過一萬億次。
與此同時,我們與 Android 和硬體團隊合作,把這些對話模型直接帶到裝置端。從 2019 年起,我們連續五代 Pixel 推出了新的 Pixel Call Assist 功能。這些模型至今仍在為來電篩選和為我等候等功能提供支援,幫助使用者過濾陌生來電,並在排隊等待結束後由 AI 與人工客服對話,直到使用者重新接入。2025 年和 2026 年,基礎模型在 Google 搜尋和 Ask Maps 中解鎖了更廣泛的AI 助理通話能力,可查詢報價、商品庫存和服務空檔,從寵物美容到汽車維修都能覆蓋。
對話架構的三代演進
過去十年間,支撐這些通話的技術棧經歷了三個截然不同的階段,從定製的神經網路流水線走向使用 Gemini 的統一架構。
1. 大語言模型之前的封閉領域模型
早在現代語言模型出現之前,甚至早在 transformer 被髮明出來之前,我們就已經啟動了 Google Duplex 的研發工作。在早期階段,為了確保商家和使用者都能獲得良好體驗,我們把 Duplex 限制在較窄的領域內,並基於匿名化的特定任務電話對話訓練定製的迴圈神經網路模型。由於沒有預訓練的世界知識,我們只能教會模型如何高效處理每一種具體任務。在實踐中,這意味著每種任務型別都依賴大量訓練資料——比如要理解餐廳預訂與查詢節假日營業時間這兩種截然不同的固定流程——才能確保系統可靠地應對特定領域的邏輯。
2. 早期生成式模型與混合架構
隨著開放域基礎模型的出現,Google Duplex 開始將其投入生產環境。例如,2022 年 Duplex 在即時通話中使用了 LaMDA。這些預訓練模型簡化了語義理解和常識推理,讓系統能夠應對意料之外的對話轉折和跑題,同時仍能緊扣上下文,像標準的餐廳預訂那樣推進對話。
不過,這些早期生成式模型的可預測性不如今天,有時速度也更慢,因此我們構建了混合架構:用生成式模型負責靈活措辭,用確定性的狀態跟蹤和嚴格的策略護欄來兜底。這有助於確保使用者和商家都能獲得良好體驗。
3. 無邊界任務與 Gemini 整合
隨著基礎模型不斷進步,我們徹底取消了固定垂直領域的限制,轉而用自由文本的任務描述來提示系統。這樣一來,模型只需一段提示詞就能定義任務,系統便能泛化到新的任務型別和細節(比如要求靠窗座位,或需要放嬰兒車的額外空間)以及新的商家類別,無需從零構建獨立的對話模型。
我們的通話架構使用 Gemini 統一多模態理解、規劃和對話生成,使系統能夠處理多重約束的請求——比如在日程衝突中安排汽車保養——並在接待員提出其他時間段時靈活調整。
即時電話通話中的技術障礙
即便有了前沿模型,即時電話通話仍存在一些僅靠網頁等標準資料集預訓練無法解決的障礙:
- 通話前與對話上下文的語用落地,以及真實世界意圖理解:網頁並不包含捕捉與忙碌商家通話如何展開所需的全部資料。近十年面向目標通話的經驗,幫助我們的架構掌握語用規範,而且從通話開始之前就已介入。在實踐中,這意味著根據過往對話的歷史上下文,將自由文本任務與商家匹配(例如知道某家商戶週末不接待大型團體預訂),從而預判任務能否成功。在通話過程中,這有助於模型判斷在某一時刻問什麼才合理、如何讀懂禮貌的間接拒絕,以及如何讓通話簡短高效。
- 嘈雜環境下的亞秒級延遲:通話經由壓縮的電話線路傳輸,背景中充斥著廚房裡的鍋碗碰撞聲、意式咖啡機的轟鳴、街道噪音和旁人交談。我們的技術棧針對低延遲流式推理做了調優,讓回覆以自然的節奏送達。定製的聲學模型和對話節奏模型協助核心 AI 系統處理背景噪音和停頓、在預期時停止說話等。
為通話兩端而設計
Duplex 既要服務好接聽電話的商家,也要服務好使用者。這一原則塑造了若干設計選擇:
- 明確披露。每通電話開頭都會清楚說明這是 AI 助理——具體來說,是來自 Google 的自動系統在呼叫。
- 商家保有控制權。商家可以在 Google Business Profile 設定中選擇退出自動來電,也可以在通話中直接說“請不要再打給我的商家”。
- 無需設定,零適配。Duplex 走的是商家本來就在接聽的電話線路:不用安裝軟體,不用維護預訂系統,也不用培訓員工。接電話的人可以像對待任何顧客一樣處理這通電話,哪怕正趕上高峰期、櫃檯前排著隊。
- 一次對話,多處受益。一通電話裡收集到的資訊可以回答之後的許多問題,商家不必反覆被問同樣的事。例如,Google 地圖可以展示 Duplex 收集到的商家資訊,比如歡樂時光特惠、露天座位、是否寵物友好、停車小貼士,甚至每週一次的 trivia 之夜。
結語
許多日常瑣事、本地服務和緊急任務,仍然需要直接與人交談才能可靠地協調細節。通過把 Duplex 的能力整合到 Gemini App 的 Tasks 中,我們又向打通這一環邁出了一步。自然語音互動成為一種無縫整合的互動方式,當線上 API 或預訂表單這類結構化數字渠道不存在時,AI 助理隨時可以啟用它。藉助我們最新的 Gemini 4 模型——包括 Gemini 4 Hydrogen 和 Gemini 4 Neon——Gemini 中的 Tasks 現在可以支援更全面的工作流,比如分析水電費賬單、通過 Agent Payments Protocol 安全處理交易,以及通過電子郵件和富通訊服務(RCS)與使用者協調。藉助這些能力,我們正把這項研究帶入下一代 AI 助手。
致謝
我們感謝 Duplex 團隊,以及 Google 上下在這段長達十年的旅程中領導和參與其中的每一個人。感謝 Yoav Tzur、Sasha Goldshtein、Rafael Goldfarb、Liran Peretz、Ritika Pathak、Sen Li、Ran Manor、Dekel Auster 以及團隊中許多其他人為推動向 Gemini 驅動的通話轉型、並促成此次在 Gemini 的 Tasks 中上線所做的貢獻。
來源:Google Research:Blog · research.google