Google 发布了实时语音翻译模型 Gemini 3.5 Live Translate，能在 70 多种语言之间做到边听边译，同时保留说话人的语调、节奏和音高。该模型基于 Gemini 3.5 架构，兼顾了 Gemini 3.0 Pro 的专业能力和 Gemini 3.0 Flash 的速度。

已同步登陆 Gemini Live API、Google Translate App 和 Google Meet。

核心更新一览

• 支持 70 多种语言自动检测，无需手动选语言
• 边听边译，不等说完才翻，全程只比说话人慢几秒
• 翻译语音保留原始说话人的语调、节奏和音高
• 自动滤除噪音，嘈杂环境也能用
• Google Meet 语言组合从 5 种扩展到 70 多种、2000 多种组合
• Google Translate App 新增「听筒模式」（Android 独占）
• 所有生成音频带 SynthID 水印，可检测 AI 生成内容
• 开发者可通过 Gemini Live API 和 Google AI Studio 直接调用

它到底做了什么

过去的翻译工具基本都是「轮次制」的：你说完一整句，系统停顿，处理，再输出翻译，中间那段沉默就是在等上下文。

3.5 Live Translate 改了这个逻辑——它在你说话的同时持续生成翻译语音，像同声传译一样跟着你走。模型内部在做一个持续的权衡：多等一会儿能拿到更多上下文、翻得更准，但等太久就跟不上说话人了。它在两者之间动态调节，输出流畅的音频，全程只比说话人慢几秒。

一个具体的画面：你在巴塞罗那跟一个只说西班牙语的导游走街串巷，他在讲这栋楼的历史。你把手机贴到耳朵上，听筒里传出来的英文翻译几乎和他的西班牙语同步，语调起伏也跟着他走。他激动的时候翻译声音也快，他停下来想词的时候翻译也自然地缓一拍。

Live Agent vs Live Translate

Google 的 Live API 现在有两种模式：普通的 Live Agent 和 Live Translate。名字像，但用的是完全不同的架构。

为什么只接受音频，不接受文本？

因为这个模型从底层就是一个端到端的语音到语音模型。它解决的核心问题是"在对方还没说完的时候就开始翻译并输出声音"。音频是连续的流，每 100 毫秒一个块不断涌进来，没有明确的句子边界，模型要在这个流里实时判断说话人在说什么语言、句子说到哪里了、现在翻还是再等一下能翻得更准。

文本是离散的、完整的，不存在"说到一半要不要先翻"的问题，也不需要保留语调和节奏。需要文本翻译的话，Google Translate 的文本 API 和 Gemini 文本模型已经能做了。

三个关键能力

1. 自动语言检测

不需要提前告诉模型"我说的是中文，帮我翻成英文"。你直接说，它自己判断你在说什么语言，自动翻成目标语言。在多人多语言的场景下，比如一个会议里有人说日语、有人说法语、有人说中文，模型可以分别处理，不用每次手动切换。

2. 语音特征保留

模型会尝试保留原始说话人的语调（intonation）、节奏（pacing）和音高（pitch）。你说得快它翻得也快，你强调某个词它也会在翻译语音中体现重音。

东南亚打车平台 Grab 正在测试这个模型，用于司机和乘客在接驾时的多语言通话。Grab 每月有超过 1000 万通语音电话通过平台拨出。一个泰国司机和一个日本游客之间的电话，双方各说各的语言，模型在中间做实时双向翻译。

3. 自动滤除噪音

在安静的办公室里做翻译不难，难的是在嘈杂的街头、拥挤的餐厅、或者机场候机厅。模型会主动滤除噪声和音乐来生成清晰的语音。

三条使用路径

路径一：Google Translate App（普通用户）

在 Android 或 iOS 上打开 Google Translate，进入 Live Translate 功能。连接任意蓝牙或有线耳机，选好目标语言，对方说话时你通过耳机听到接近实时的翻译。

Android 独占的「听筒模式」：不需要耳机。直接把手机像打电话一样贴到耳朵上，翻译后的音频通过手机听筒播放。适合两个场景：手边没耳机，或者不想让周围的人听到翻译内容。

一个具体的用法：你在东京的居酒屋，店员在用日语推荐今天的菜，你把手机贴到耳朵上，听筒里实时传出中文翻译。店员看到的只是你在"打电话"，整个过程自然不尴尬。

路径二：Google Meet（企业用户）

Google Meet 的语音翻译功能将升级为 3.5 Live Translate：

目前是私有预览阶段，本月先对部分 Google Workspace 企业客户开放，今年晚些时候更大范围推出。

路径三：Gemini Live API（开发者）

开发者可以通过 Gemini Live API 在自己的应用中集成实时翻译能力。模型名称是 gemini-3.5-live-translate-preview。

最小可用配置：

config = types.LiveConnectConfig(
    response_modalities=["AUDIO"],
    translation_config=types.TranslationConfig(
        target_language_code="zh-Hans",  # 目标语言，BCP-47 代码
        echo_target_language=True         # 输入已是目标语言时是否回放
    )
)

两个核心参数：

• target_language_code：你要翻成什么语言，用 BCP-47 代码指定。"zh-Hans" 是简体中文，"ja" 是日语，"en" 是英语（默认值）
• echo_target_language：如果说话人说的本来就是目标语言怎么办？设为 true，模型原样回放这段音频；设为 false（默认），模型保持静默不输出

可选配置，转写文本：

如果你不仅需要翻译后的音频，还需要文字版本（比如做字幕），可以在配置中加上转写：

config = types.LiveConnectConfig(
    response_modalities=["AUDIO"],
    input_audio_transcription=types.AudioTranscriptionConfig(),   # 输入语音转文字
    output_audio_transcription=types.AudioTranscriptionConfig(),  # 翻译语音转文字
    translation_config=types.TranslationConfig(
        target_language_code="zh-Hans",
        echo_target_language=True
    )
)

音频格式要求：

音频以 100 毫秒的块发送。输出采样率 24kHz 比输入的 16kHz 高，翻译后的语音音质比输入更好。

安全标记：SynthID

所有 3.5 Live Translate 生成的音频都用 SynthID 做了水印标记。这个水印人耳听不出来，但可以被技术手段检测到，目的是标记哪些语音是 AI 生成的，防止有人拿实时翻译后的语音去冒充真人。

Model card：deepmind.google/models/model-cards/gemini-3-5-audio

苏米观察

传统同声传译员培训周期以年计算，全球能做好的人极少，收费极高。3.5 Live Translate 当然还做不到专业同传的水平——语音复制会飘、相似语言会混淆、多人快速对话会卡声音，这些限制 Google 自己也承认了。

但它把"边听边译"从一个稀缺的专业技能变成了手机上随时可用的功能，覆盖 70 多种语言。对于旅行问路、跨国开会、打车点菜这些日常场景，够用的门槛已经跨过去了。

快速上手入口：

• 在线体验：aistudio.google.com/live
• API 文档：ai.google.dev/gemini-api
• 示例代码：github.com/google-gemini/gemini-live-api-examples