Google DeepMind 今天发布了 Gemini 3.5 Live Translate,一个语音到语音的翻译模型,听一种语言、近乎实时地说出另一种语言,落后说话者几秒钟,同时保留原始声音的语调、节奏和音高。它在 70 多种语言中自动检测,无需语言选择器。而且它同时登陆三个地方:AI Studio 上以 gemini-3.5-live-translate-preview 为模型 id 的 public preview 版 Live API,本月开始企业预览的 Google Meet(将翻译语音从 5 种语言扩展到 70 多种、超过 2000 个语言对),以及在 Android 和 iOS 上全球推出的 Google Translate 应用,包括 Android 上的聆听模式,用于跟上一个说着你听不懂的语言的人。
值得记住的架构细节不在规格表上,而是模型学到的那个权衡。实时口译是一个等待与翻译之间的问题:过早开口,你会猜错句子的走向,有些语言把动词留到最后,等太久,对话就把你甩在后面。人类同声传译员花数年训练的正是这个判断,DeepMind 说模型端到端地学会了它,逐刻决定自己是否有足够的上下文开口。围绕它的管线刻意做窄:仅音频输入,PCM 16-bit、输入 16 kHz 单声道、输出 24 kHz,以 100 毫秒的块流式传输,通过 BCP-47 的 targetLanguageCode、echoTargetLanguage 选项以及对话双方的可选转录来配置。
发布生态是这被当作基础设施而非演示的信号。实时音频平台 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents 从第一天起就是集成合作伙伴,Grab 正在一个每月处理超过 1000 万通语音通话的服务上为司机乘客通话测试它,CJ ENM 正在为韩国内容评估它。每一秒翻译音频都带有织入波形本身的 SynthID 水印,所以模型的输出即使被剪辑或重新编码也仍可识别为合成音频。谷歌没有公布的同样值得注意:没有定价,也没有任何定量质量指标,没有偏好率,没有错误率,没有延迟分布。“落后说话者几秒钟”是全文唯一的数字。
对于我们一直追踪的赛道,这把竞争往上推了一层。昨天的故事是语音识别层在开放权重发布与锁在 API 后面的前沿模型之间裂开;转录是那个栈的地板。语音到语音翻译是上面那层,产品不再是文本而是一个声音,你的声音,说着你不会说的语言。这让声音身份成为新的表面,而谷歌的答案就装在功能里:默认织入水印的保声翻译,能力与责任答案合为一步。模式依旧,前沿实验室不断把产品推向栈的上层,而开放生态在下面那层步步逼近。