Google DeepMind a lancé Gemini 3.5 Live Translate aujourd'hui, un modèle de traduction speech-to-speech qui écoute une langue et en parle une autre en quasi temps réel, quelques secondes derrière la personne qui parle, tout en préservant l'intonation, le rythme et le pitch de la voix originale. Il auto-détecte parmi plus de 70 langues, pas de sélecteur de langue requis. Et il atterrit à trois places en même temps : la Live API en public preview sur AI Studio sous le model id gemini-3.5-live-translate-preview, Google Meet à partir de ce mois-ci en enterprise preview qui fait passer la parole traduite de 5 langues à 70+, plus de 2000 paires de langues, et l'app Google Translate déployée globalement sur Android et iOS, incluant un mode écoute sur Android pour suivre quelqu'un qui parle une langue que tu comprends pas.
Le détail d'architecture qui vaut la peine d'être retenu est pas sur la fiche technique, c'est le tradeoff que le modèle a appris. L'interprétation live est un problème de attendre-versus-traduire : si tu t'engages trop tôt, tu devines mal où la phrase s'en va, certaines langues gardent le verbe pour la fin, si tu attends trop longtemps, la conversation te dépasse. Les interprètes simultanés humains s'entraînent des années sur exactement ce jugement-là, et DeepMind dit que le modèle l'a appris end to end, décidant moment par moment s'il a assez de contexte pour parler. La plomberie autour est volontairement étroite : entrée audio seulement, PCM 16-bit à 16 kHz mono en entrée et 24 kHz en sortie, streamé en chunks de 100 ms, configuré avec un targetLanguageCode BCP-47, une option echoTargetLanguage, et des transcriptions optionnelles des deux côtés de la conversation.
L'écosystème de launch est le signe que c'est pensé comme de l'infrastructure, pas une démo. Les plateformes d'audio temps réel Agora, LiveKit, Fishjam, Pipecat et Vision Agents sont partenaires d'intégration dès le jour un, Grab le teste pour les appels chauffeur-passager sur un service qui gère plus de 10 millions d'appels vocaux par mois, et CJ ENM l'évalue pour du contenu coréen. Chaque seconde d'audio traduit porte un watermark SynthID tissé dans la forme d'onde elle-même, donc l'output du modèle reste identifiable comme synthétique même clippé ou ré-encodé. Ce que Google a pas publié est tout aussi notable : pas de pricing, et aucune métrique de qualité quantitative d'aucune sorte, pas de taux de préférence, pas de taux d'erreur, pas de distribution de latence. « Quelques secondes derrière la personne qui parle » est le seul chiffre du post.
Pour la lane qu'on track, ça monte la compétition d'une couche. L'histoire d'hier était la couche de reconnaissance vocale qui se splittait entre les releases open-weights et les modèles frontier barrés derrière des API ; la transcription est le plancher de ce stack-là. La traduction speech-to-speech est la couche au-dessus, où le produit est plus du texte mais une voix, la tienne, parlant une langue que tu parles pas. Ça fait de l'identité vocale la nouvelle surface, et la réponse de Google ship à l'intérieur de la feature : de la traduction qui préserve la voix avec un watermark tissé dedans par défaut, la capacité et la réponse de liability dans un seul move. Le pattern tient, les labs frontier continuent de pousser le produit vers le haut du stack pendant que l'écosystème open referme l'écart sur la couche d'en dessous.