O Google DeepMind lançou hoje o Gemini 3.5 Live Translate, um modelo de tradução de voz a voz que escuta um idioma e fala outro quase em tempo real, alguns segundos atrás de quem fala, preservando a entonação, o ritmo e o tom da voz original. Ele auto-detecta entre mais de 70 idiomas, sem seletor de idioma. E chega em três lugares ao mesmo tempo: a Live API em public preview no AI Studio sob o model id gemini-3.5-live-translate-preview, o Google Meet a partir deste mês como preview empresarial que expande a fala traduzida de 5 idiomas para 70+, mais de 2000 pares de idiomas, e o app Google Translate em rollout global no Android e iOS, incluindo um modo de escuta no Android para acompanhar alguém falando um idioma que você não entende.
O detalhe de arquitetura que vale guardar não está na ficha técnica, é o tradeoff que o modelo aprendeu. Interpretação ao vivo é um problema de esperar-versus-traduzir: se você se compromete cedo demais, adivinha errado para onde a frase vai, alguns idiomas guardam o verbo para o fim, se espera demais, a conversa te deixa para trás. Intérpretes simultâneos humanos treinam anos exatamente esse julgamento, e o DeepMind diz que o modelo o aprendeu end to end, decidindo momento a momento se tem contexto suficiente para falar. O encanamento ao redor é deliberadamente estreito: entrada só de áudio, PCM 16-bit a 16 kHz mono na entrada e 24 kHz na saída, transmitido em chunks de 100 ms, configurado com um targetLanguageCode BCP-47, uma opção echoTargetLanguage, e transcrições opcionais dos dois lados da conversa.
O ecossistema de lançamento é o sinal de que isso foi pensado como infraestrutura, não demo. As plataformas de áudio em tempo real Agora, LiveKit, Fishjam, Pipecat e Vision Agents são parceiras de integração desde o dia um, o Grab o está testando para chamadas motorista-passageiro num serviço que lida com mais de 10 milhões de chamadas de voz por mês, e a CJ ENM o avalia para conteúdo coreano. Cada segundo de áudio traduzido carrega uma marca d'água SynthID tecida na própria forma de onda, então a saída do modelo continua identificável como sintética mesmo cortada ou re-codificada. O que o Google não publicou é igualmente notável: sem preços, e sem nenhuma métrica quantitativa de qualidade, nem taxas de preferência, nem taxas de erro, nem distribuição de latência. “Alguns segundos atrás de quem fala” é o único número do post.
Para a pista que vimos acompanhando, isso sobe a disputa uma camada. A história de ontem era a camada de reconhecimento de voz se dividindo entre releases open-weights e modelos frontier trancados atrás de APIs; a transcrição é o chão desse stack. A tradução de voz a voz é a camada de cima, onde o produto não é mais texto e sim uma voz, a sua, falando um idioma que você não fala. Isso torna a identidade vocal a nova superfície, e a resposta do Google vem dentro da feature: tradução que preserva a voz com uma marca d'água tecida por padrão, a capacidade e a resposta de responsabilidade num único movimento. O padrão se mantém, os labs frontier continuam empurrando o produto para cima do stack enquanto o ecossistema open fecha a lacuna na camada de baixo.