Google DeepMind lanzó hoy Gemini 3.5 Live Translate, un modelo de traducción de voz a voz que escucha un idioma y habla otro casi en tiempo real, unos segundos detrás del hablante, preservando la entonación, el ritmo y el tono de la voz original. Auto-detecta entre más de 70 idiomas, sin selector de idioma. Y aterriza en tres lugares a la vez: la Live API en public preview en AI Studio bajo el model id gemini-3.5-live-translate-preview, Google Meet desde este mes como preview empresarial que expande el habla traducida de 5 idiomas a 70+, más de 2000 pares de idiomas, y la app Google Translate desplegándose globalmente en Android y iOS, incluyendo un modo de escucha en Android para seguir a alguien que habla un idioma que no entiendes.

El detalle de arquitectura que vale la pena retener no está en la ficha técnica, es el tradeoff que el modelo aprendió. La interpretación en vivo es un problema de esperar-versus-traducir: si te comprometes demasiado pronto, adivinas mal hacia dónde va la frase, algunos idiomas guardan el verbo para el final, si esperas demasiado, la conversación te deja atrás. Los intérpretes simultáneos humanos entrenan años exactamente ese juicio, y DeepMind dice que el modelo lo aprendió end to end, decidiendo momento a momento si tiene suficiente contexto para hablar. La plomería alrededor es deliberadamente estrecha: entrada solo de audio, PCM 16-bit a 16 kHz mono de entrada y 24 kHz de salida, streameado en chunks de 100 ms, configurado con un targetLanguageCode BCP-47, una opción echoTargetLanguage, y transcripciones opcionales de ambos lados de la conversación.

El ecosistema de lanzamiento es la señal de que esto está pensado como infraestructura, no demo. Las plataformas de audio en tiempo real Agora, LiveKit, Fishjam, Pipecat y Vision Agents son partners de integración desde el día uno, Grab lo está probando para llamadas conductor-pasajero en un servicio que maneja más de 10 millones de llamadas de voz al mes, y CJ ENM lo evalúa para contenido coreano. Cada segundo de audio traducido lleva una marca de agua SynthID tejida en la forma de onda misma, así que la salida del modelo sigue siendo identificable como sintética incluso recortada o re-codificada. Lo que Google no publicó es igual de notable: sin precios, y sin ninguna métrica cuantitativa de calidad, ni tasas de preferencia, ni tasas de error, ni distribución de latencia. “Unos segundos detrás del hablante” es el único número del post.

Para el carril que venimos siguiendo, esto sube la contienda una capa. La historia de ayer era la capa de reconocimiento de voz partiéndose entre releases open-weights y modelos frontier encerrados tras APIs; la transcripción es el piso de ese stack. La traducción de voz a voz es la capa de arriba, donde el producto ya no es texto sino una voz, la tuya, hablando un idioma que no hablas. Eso convierte la identidad vocal en la nueva superficie, y la respuesta de Google viene dentro de la feature: traducción que preserva la voz con una marca de agua tejida por defecto, la capacidad y la respuesta de responsabilidad en un solo movimiento. El patrón se mantiene, los labs frontier siguen empujando el producto hacia arriba del stack mientras el ecosistema open cierra la brecha en la capa de abajo.