📰 重點摘要

Google DeepMind 發布 Gemini 3.5 Live Translate，這是一款專為即時語音對語音翻譯設計的音訊模型。相較於傳統「等說完才翻」的輪流式系統，3.5 Live Translate 採用連續語音生成技術，在保留說話者語調、節奏與音調的同時，始終僅落後說話者數秒，讓對話流暢不中斷。模型能自動辨識 70 種以上語言，無需手動切換設定，並具備抗噪能力，可應對吵雜或不穩定的現實環境。

在部署範圍上，今日起開發者可透過 Gemini Live API 與 Google AI Studio 公開預覽版取得使用權限；企業用戶則從本月起以私人預覽形式導入 Google Meet，語言支援數從原本的 5 種大幅擴展至 70 種以上，同時覆蓋逾 2,000 種語言組合。消費端則同步在 Android 與 iOS 版 Google Translate 上線。

合作夥伴方面，東南亞叫車平台 Grab 正測試此模型，用於司機與乘客之間的多語即時溝通，其平台每月有超過 1,000 萬通語音通話需求。Agora、LiveKit、Pipecat 等開發者平台也已整合 Gemini Live API，協助開發者在不自行處理複雜串流基礎設施的前提下，快速打造語音翻譯應用。

💬 JudyAI Lab 觀點

Google DeepMind發布Gemini 3.5 Live Translate，採用連續語音生成技術，將翻譯延遲壓縮到僅落後說話者數秒，打破了過去「等說完才翻」的輪流式瓶頸，是語音AI從實驗場景走向日常對話的一個明顯轉折。

從這個案例，我們可以觀察到兩件事：第一，準確率已不再是語音翻譯的唯一指標，語調、節奏與音調的保留程度直接影響對話雙方的溝通體感，是過去多語產品常被忽略的設計細節。第二，底層串流基礎設施被封裝進API後，Agora、LiveKit、Pipecat這類平臺可以直接在上面疊應用，不用自己處理複雜串流邏輯；Grab每月逾1,000萬通語音通話的場景，也說明真實嘈雜環境的抗噪能力才是部署門檻的真正所在。70種語言、逾2,000種語言組合的覆蓋，讓多語切換不再是需要手動設定的邊緣需求。

如果你正在評估語音相關產品，現在可以到Google AI Studio申請Gemini Live API預覽版，重點測試抗噪能力與語調保留是否符合目標使用情境，再決定是否整合。

📅 原文資訊

🔗 延伸閱讀