Google DeepMind 今天發布了 Gemini 3.5 Live Translate,一個語音到語音的翻譯模型,聽一種語言、近乎即時地說出另一種語言,落後說話者幾秒鐘,同時保留原始聲音的語調、節奏和音高。它在 70 多種語言中自動檢測,無需語言選擇器。而且它同時登陸三個地方:AI Studio 上以 gemini-3.5-live-translate-preview 為模型 id 的 public preview 版 Live API,本月開始企業預覽的 Google Meet(將翻譯語音從 5 種語言擴展到 70 多種、超過 2000 個語言對),以及在 Android 和 iOS 上全球推出的 Google Translate 應用,包括 Android 上的聆聽模式,用於跟上一個說著你聽不懂的語言的人。
值得記住的架構細節不在規格表上,而是模型學到的那個權衡。即時口譯是一個等待與翻譯之間的問題:過早開口,你會猜錯句子的走向,有些語言把動詞留到最後,等太久,對話就把你甩在後面。人類同聲傳譯員花數年訓練的正是這個判斷,DeepMind 說模型端到端地學會了它,逐刻決定自己是否有足夠的上下文開口。圍繞它的管線刻意做窄:僅音頻輸入,PCM 16-bit、輸入 16 kHz 單聲道、輸出 24 kHz,以 100 毫秒的塊流式傳輸,通過 BCP-47 的 targetLanguageCode、echoTargetLanguage 選項以及對話雙方的可選轉錄來配置。
發布生態是這被當作基礎設施而非演示的信號。即時音頻平台 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents 從第一天起就是集成合作夥伴,Grab 正在一個每月處理超過 1000 萬通語音通話的服務上為司機乘客通話測試它,CJ ENM 正在為韓國內容評估它。每一秒翻譯音頻都帶有織入波形本身的 SynthID 水印,所以模型的輸出即使被剪輯或重新編碼也仍可識別為合成音頻。谷歌沒有公布的同樣值得注意:沒有定價,也沒有任何定量質量指標,沒有偏好率,沒有錯誤率,沒有延遲分布。“落後說話者幾秒鐘”是全文唯一的數字。
對於我們一直追蹤的賽道,這把競爭往上推了一層。昨天的故事是語音識別層在開放權重發布與鎖在 API 後面的前沿模型之間裂開;轉錄是那個棧的地板。語音到語音翻譯是上面那層,產品不再是文本而是一個聲音,你的聲音,說著你不會說的語言。這讓聲音身份成為新的表面,而谷歌的答案就裝在功能裡:默認織入水印的保聲翻譯,能力與責任答案合為一步。模式依舊,前沿實驗室不斷把產品推向棧的上層,而開放生態在下面那層步步逼近。