6月10日消息,Googl发布Gemini 3.5 Live Translate是一个专用音频模型(模型名gemini-3.5-live-translate-preview),实现70余种语言、超过2000个语言对的近实时语音到语音翻译。已上线Google翻译App(iOS/Android)、Gemini Live API及Google AI Studio,Google Meet企业版本月启动私密预览。 核心机制:连续流式翻译而非轮流等待
与传统翻译工具的"说完一句再翻译"模式不同,3.5 Live Translate采用连续流式处理架构。模型在音频流入时实时处理,只落后说话者几秒,持续输出翻译语音,不等待完整句子结束。这种设计在"等待更多上下文以提升翻译质量"和"立即翻译以保持同步"之间做动态平衡。
技术参数上,模型接收16kHz音频输入,输出24kHz翻译语音。它是一个纯音频模型而非对话助手——不做意图识别、不处理打断,只做连续的语音到语音转换。开发者通过Live API的targetLanguageCode和echoTargetLanguage参数配置目标语言和回声行为。
三个关键能力差异化
第一,自动语言识别。模型自动检测70余种输入语言,用户无需手动切换语言设置,这在多方通话和随机语言切换场景中直接消除了操作摩擦。
第二,语调/节奏/音高保留。传统翻译工具的输出通常是单调机械的合成语音。3.5 Live Translate在翻译时保留说话者的原始语调、节奏和音高特征——如果原始语音是兴奋的,翻译输出也会匹配这种情绪。
第三,噪声环境鲁棒性。模型针对嘈杂环境做了专项优化,可在街道、机场、行驶车辆等高噪声场景下保持翻译准确度。这一能力直接回应了实际部署中最常见的失败模式。
所有生成的翻译音频都嵌入了不可感知的SynthID水印,用于标记AI生成内容。
落地场景与合作生态
Google同步公布了三个落地面。
消费者侧,Google翻译App已全球上线Live Translate功能,用户插入耳机即可进行双语连续翻译。
企业侧,Google Meet的实时翻译功能将从此前仅支持5种语言扩展到70余种,本月面向部分Google Workspace客户启动私密预览。会议中系统自动识别发言者语言并实时翻译,无需手动配置。
开发者侧,通过Gemini Live API公开预览,开发者可将实时翻译能力嵌入自有应用。Agora、LiveKit、Pipecat等实时音视频平台已完成集成,处理底层流媒体基础设施,开发者只需关注上层体验。 早期合作案例中,东南亚网约车平台Grab正在测试将该模型用于司机与乘客之间的多语言通话翻译。Grab每月通过平台产生超过1000万次语音通话,语言障碍是其核心用户痛点之一。
竞品对比与局限
实时语音翻译赛道此前由Meta的SeamlessM4T系列主导,支持约100种语言的语音/文本翻译,但其设计偏向学术研究,端到端实时流式部署的工程成熟度不及Google的产品化方案。微软Azure Speech Translation提供类似的实时语音翻译API,支持约50种语言,已在Teams中集成,但连续流式翻译和语调保留能力在公开文档中描述较少。
Apple在WWDC 2025发布的翻译功能集成到系统层,但支持语言数量有限(约20种),更偏向设备端离线场景。
Gemini 3.5 Live Translate的差异化在于:70余种语言覆盖、连续流式而非轮流翻译、语调保留、以及Google Meet/Translate/API三个面同步落地的产品化深度。
局限方面,当前定价信息仅以"预览占位"形式列出,正式商用价格未公布。Google Meet的完整上线时间也没有明确日期,仅表示"即将到来"。此外,Google在博客中标注"此内容由Google AI生成,生成式AI为实验性技术",暗示翻译质量仍有优化空间,特别是在低资源语言和高度口语化表达方面的表现需要更多实际使用数据验证。