我试着用 Gemini 当语言导师，但一个重大功能缺失毁了整个体验

一句话看懂：Android Police 作者 Jesse Hollington 用 Gemini 学塔加洛语，发现文字翻译和学习解释表现出色，但 Gemini Live 无法纠正发音错误，导致口语练习几乎失效。

事件核心：发生了什么

Android Police 编辑 Jesse Hollington 在 2026 年 9 月发表体验文章，讲述他用 Google 的 Gemini 学习塔加洛语（Tagalog）的经历。起因是他娶了一位菲律宾移民，日常社交圈大量使用塔加洛语，而 Duolingo、Rosetta 等主流语言学习应用对该语言支持粗糙，训练方式僵硬。

Gemini 在文字层面表现突出：能解释“kumakain”和“nakikikain”的语义差异，还能提前警告某些短语的俚语歧义，避免尴尬。但切换到 Gemini Live 练习口语时，问题出现：系统依赖语音转文字再分析文本，而非实时音频分析，因此会结合上下文“猜”用户想说什么，却不会指出发音错误。塔加洛语中“puno”可指“饱”或“树”，“suka”可指“醋”或“呕吐”，重音和喉塞音决定词义，而 Gemini 对这些一概沉默放过。

为什么重要

这暴露了当前多模态大模型的一个典型短板：文本理解和语音交互之间存在能力落差。Gemini 作为通用助手，在翻译、解释、防歧义上已能替代部分垂直工具，但实时语音反馈仍缺少音素级或重音级的纠正能力。对于语言学习这类强反馈场景，仅靠上下文推理无法替代真正的发音评估。目前公开信息显示，Gemini Live 的语音处理仍以转录文本为中介，而非端到端音频理解，这直接限制了它在语音教学、口音训练等场景的可用性。

对用户/开发者/创作者的影响

对普通用户来说，Gemini 适合做文字翻译、语法解释和词汇辨析，但不要指望它纠正口语发音，尤其是重音敏感语言。对开发者而言，如果要做语言学习类 AI 应用，单纯调用通用大模型的语音接口不够，需要额外接入发音评估或强制对齐（forced alignment）能力。对内容创作者，这类体验文章也提示：AI 工具评测应区分文字任务和语音任务，同一模型在不同模态下的体验可能完全割裂。