北京
6月10日消息，Google推出Gemini 3.5 Live Translate，将实时语音到语音翻译做成可接入的模型能力。它支持70多种语言，能在几秒延迟内生成译后语音，并尽量保留说话者的语调、语速和音高。该功能已通过Gemini Live API和Google AI Studio向开发者开放，也开始在Google Translate的Android和iOS应用中上线。
变化不在翻译本身，在入口
Google做实时翻译已经很多年，但过去的体验总绑在特定设备上，包括Pixel手机、Pixel Buds，以及特定App。能不能用得上，取决于你用的是什么硬件。
这次的变化是把"听到一种语言、实时说出另一种语言"从产品功能变成了模型能力。模型自动检测输入语言，连续处理语音流，不需要等说话人讲完整句再开始翻译。Google的说法是，系统在"等更多上下文"和"尽快输出跟上节奏"之间持续做平衡，因此译后语音始终落后说话人几秒。
这意味着任何应用都可以接入这条能力。跨国电话、视频会议、旅游问路、在线课程。翻译不再是一个独立App，而是一个开关。
保留语气会提升可用性，也放大冒充风险
这次更新最容易被用户感知的点：译后语音不只是机械朗读翻译结果，而是尽量听起来像同一个人在换一种语言说话，语调、节奏、音高都尽量保留。
好处很直接。客服电话、网约车沟通、在线教学，这些场景里语气和停顿本身就是信息。过去TTS式朗读让对话变僵，保留语气后更接近"有人在旁边帮你转述"。
风险也很直接。译后语音越像真人，越容易被用来伪造对话、冒充身份、制造误导音频。Google表示会嵌入SynthID水印标识AI生成内容。但水印在转录、压缩、转发、二次录音之后还能不能稳定识别，还需要看后续实际检测效果。
谁先受影响
经常跨语言沟通的人。 跨国团队开会、海外旅行、跨境客服不再需要额外翻译设备，只要常用工具接入这个API。
小团队和应用开发者。 过去做实时语音翻译要自己串语音识别→机器翻译→语音合成→低延迟传输。现在一条API调用解决，多语言客服、直播翻译、会议工具的开发门槛会明显降低。
翻译从业者，影响更复杂。 专业同传依赖背景知识、临场判断和高准确率，短期内不可替代。但大量"不要求逐字准确、只要求马上听懂"的场景会被分流。真正的边界不在于模型能不能翻一句话，而在于长对话、强口音、专业术语、多人插话时它还稳不稳。
演示不等于日常
Google没有给出可比较的准确率数据。70多种语言代表覆盖面扩大，但不同语言之间质量差异可能很大——低资源语言、方言、口音、专业术语，每一个都是坑。
演示音频来自受控环境。地铁站、咖啡馆、多人同时说话的电话会议，才是真正的检验场。Gemini 3.5 Live Translate的意义在于把实时语音翻译推到了更开放的产品入口；它能不能从"够惊艳"变成"够可靠"，还要等真实场景里的大规模使用来回答。（易句）
（本文由AI翻译，网易编辑负责校对）
本文来源：网易智能
责任编辑：
王凤枝_NT2541
