新智元報(bào)道

【新智元導(dǎo)讀】Google 發(fā)布 Gemini 3.5 Live Translate，把實(shí)時(shí)同傳從「等你說完再翻」推進(jìn)到「邊聽邊說」，70+語言、幾秒延遲、語氣保留。

一句話還沒說完，譯音已經(jīng)響在你耳邊——而且是對方的語速、對方的語調(diào)，只慢幾秒。

剛剛，Google 甩出了 Gemini 3.5 Live Translate。

這是它最新的語音對語音翻譯模型，一句話概括：把「等你說完再翻」的老規(guī)矩，直接掀了。

Google DeepMind 首席科學(xué)家 Jeff Dean 親自發(fā)帖官宣，字里行間透著一股「二十年磨一劍」的底氣：

語音翻譯是 Google 跑得最久的機(jī)器學(xué)習(xí)項(xiàng)目之一，而這一次，它終于跑進(jìn)了耳機(jī)。

把「對講機(jī)」式翻譯給掀了

過去的翻譯機(jī)大家都熟。

你說一句，它憋著，等你把話說完，再吭哧吭哧翻給對方。

一來一回，節(jié)奏全斷，倆人像在打?qū)χv機(jī)。

更要命的是，真實(shí)對話從來不是規(guī)規(guī)矩矩的你一句我一句——人會(huì)搶話、會(huì)猶豫、會(huì)說半截改口。

Gemini 3.5 Live Translate 不這么干。它邊聽邊譯，話音未落，譯音先到。

這背后是一套相當(dāng)微妙的平衡術(shù)：多等一會(huì)兒，上下文聽得更全，翻得更準(zhǔn)；立刻開口，能緊緊跟住說話人，但可能猜錯(cuò)后半句。

模型就在這兩頭之間逐字逐句地反復(fù)拿捏，最終交出的效果是——輸出連貫、沒有尷尬的卡頓，全程只落后說話人幾秒。

更絕的是聲音本身。

它能保留你的語速、音高和語調(diào)——譯出來的不是冷冰冰的機(jī)器音，是帶著你說話味兒的聲音。你著急，譯音也跟著急；你慢條斯理，譯音也悠著來。

DeepMind 同步放出的模型卡透了點(diǎn)底：這個(gè)模型基于 Gemini 3 Pro 打造，能吃進(jìn)最長 128K token 的音頻上下文，評測就盯著三個(gè)指標(biāo)死磕——翻譯質(zhì)量、延遲、語音自然度。

換句話說，Google 給它定的 KPI 不是「翻得對」，而是「聊得順」。

它能一口氣認(rèn) 70 多種語言，而且全自動(dòng)識別，你中途換種語言它也能跟上，不用手動(dòng)設(shè)置。環(huán)境吵也不怕，菜市場、機(jī)場、馬路邊都能用。

開發(fā)者、企業(yè)、普通人，一個(gè)不落

這次 Google 玩得很狠，三條線同時(shí)鋪開。

• 開發(fā)者，通過 Gemini Live API 和 Google AI Studio 公測，今天就能上手；

• 企業(yè)，本月起在 Google Meet 私測；

• 普通人，Google Translate 的安卓和 iOS 版全球上線——點(diǎn)開 App 左下角的「實(shí)時(shí)翻譯」，接上任意一副耳機(jī)就能用。

最讓打工人有感的是 Google Meet。以前它的語音翻譯只支持 5 種語言，而且只能在英語和其他語言之間打轉(zhuǎn)。

現(xiàn)在一口氣干到 70+，單場會(huì)議能撐起 2000 多種語言組合——英語、普通話、瑞典語滿桌子飛，誰說什么對方都能秒懂。

安卓還藏了個(gè)細(xì)節(jié)：「聆聽模式」。把手機(jī)像打電話一樣貼到耳邊，譯音直接從聽筒里鉆進(jìn)來，旁人聽不到。

跟個(gè)西語導(dǎo)游團(tuán)、臨時(shí)沒帶耳機(jī)，掏出手機(jī)往耳邊一貼就能救急。

每月一千萬通電話

光說參數(shù)太虛，看個(gè)真實(shí)場景。

Google 找了東南亞的 Grab 來試。司機(jī)說本地話，乘客聽到的是自己的母語，接駕常用的那幾句「你在哪」、「我馬上到」不再雞同鴨講。

要知道，Grab 用戶每月要打超過 1000 萬次語音電話——這不是發(fā)布會(huì)上的 Demo，是真要塞進(jìn)千萬次日常對話里跑的活兒。

除了 Grab，CJ ENM、LiveKit 這些公司也提前上手試過，反饋都指向同一點(diǎn)：質(zhì)量、準(zhǔn)確度、低延遲。

開發(fā)者這邊也省了大力氣。

Agora、Fishjam、LiveKit 一票平臺(tái)已經(jīng)接入 Gemini Live API，把最難啃的實(shí)時(shí)媒體流基礎(chǔ)設(shè)施全包圓了——采集、傳輸、回聲消除這些臟活累活有人扛，開發(fā)者只管做體驗(yàn)。

視頻配音、多語直播、跨語言客服、在線課堂，全是現(xiàn)成的落點(diǎn)。

二十年長跑，跑進(jìn)耳機(jī)里

往回看一步，你會(huì)發(fā)現(xiàn)這事兒 Google 憋了很久。

20 年前，Google 翻譯只是一個(gè)開創(chuàng)性的小實(shí)驗(yàn)，想把語言這門科學(xué)，變成人和人連接的魔法。

如今每個(gè)月，它要為數(shù)十億用戶翻譯超過一萬億個(gè)單詞。

從「把文字翻成文字」，到「拍張照翻菜單」，再到今天「把你說的話實(shí)時(shí)變成另一種語言的聲音」，這條路走了整整二十年。

當(dāng)然，話別說太滿。

谷歌官方自己也標(biāo)了限制：目前只吃音頻輸入；遇上重口音、快速來回切語言、好幾個(gè)人搶著說、或者長時(shí)間停頓，聲音復(fù)刻還可能不穩(wěn)。

它不是終點(diǎn)，但是一個(gè)相當(dāng)能打的起點(diǎn)。

方向已經(jīng)很清楚了。同聲傳譯曾經(jīng)是頂尖譯員才扛得下來的活兒，一小時(shí)幾千塊，還得提前一周備稿。

現(xiàn)在，它正變成耳機(jī)里一個(gè)默默運(yùn)轉(zhuǎn)的功能，隨叫隨到。

當(dāng)語言不再是墻，剩下的，就只有人和人想不想聊了。

參考資料：

https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-live-3-5-translate/

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

https://ai.google.dev/gemini-api/docs/live-api/live-translate

https://x.com/JeffDean/status/2064400689825288351

編輯：所羅門