「Gemini 3.5 Live Translate」発表：70言語以上に対応、話者の声色を保つリアルタイム音声翻訳

2026年6月9日、Googleはこれまでで最も高度な音声翻訳モデル「Gemini 3.5 Live Translate」を一般公開しました。この特殊なモデルの開発者コードはgemini-3.5-live-translate-previewで、核となるタスクはただ一つ——ほぼリアルタイムのストリーミング音声翻訳です。70を超える言語と2,000以上の言語ペアに対応しており、これは多くの人が慣れ親しんできた「止まって、翻訳を待つ」システムからの大きな転換点となります 。

話し手が一文を言い終わるのを待つことなく、Gemini 3.5 Live Translateは数秒で翻訳処理と音声生成を開始し、会話を淀みなく自然に保つことを目指しています。今回の一般公開は、2025年12月の初期デモと、2026年春の「Gemini 3.1 flash live」モデルによる改良を経た、段階的な展開の集大成です 。

リアルタイム音声翻訳の仕組み：ストリーミングがもたらす革新

Gemini 3.5 Live Translateの中核的な革新性は、連続的な双方向ストリーミングアーキテクチャにあります。これは従来のターン制翻訳システムからの大きな脱却であり、複数の主要機能が連携することで実現しています。

翻訳とリスニングの同時処理

モデルは話し手が話し終えるのを待ちません。音声入力を受け取りながら、同時に翻訳結果を逐次的に生成します。Googleはこれを「話者のわずか数秒後を追いかける」状態と表現しており、自然な会話の流れを妨げる気まずい「間」を排除します 。

自動言語検出

ユーザーは手動で原語を選ぶ必要はありません。モデルがその場で話されている言語を自動検出します。これは複数の言語が混在する環境でも機能するため、現実世界の流動的な会話に適しています 。

自然な声色と抑揚の保持

ユーザー体験において決定的に重要なのは、翻訳結果が機械音声のように聞こえない点です。このモデルは、元の話者の抑揚、話すテンポ、声の高さを保持するように設計されており、テキスト読み上げエンジンのようにではなく、話者本人が話しているかのような翻訳音声を生み出します 。

双方向・多言語ペア対応

70以上の言語をサポートすることで、モデルは数千もの双方向の言語ペアをカバーします。設計段階から二者間の会話を想定しており、双方の話し手が、相手の言葉を自分の言語に流暢に翻訳された形で聞き取ることができます 。

技術仕様

開発者にとって、このモデルへのアクセスはGemini Live API経由で行われます。オーディオ入力は特定のフォーマットが必要です：リニアPCM 16ビット、サンプルレート16kHz、モノラル、リトルエンディアン。出力される翻訳音声もリニアPCM 16ビットですが、より高い24kHzのサンプルレートで出力されます 。モデルのコンテキストウィンドウ（AIが一度に考慮できる情報量）は、最大128,000トークンの入力と、64,000トークンの出力に対応しています 。

初のデモから一般公開までの軌跡

Googleの一般公開に至るまでの道のりは段階的なものでした。Gemini 3.5モデルファミリー自体は、2026年5月の開発者会議「Google I/O」で初めて発表されています 。

• 2025年12月：Googleは初めてライブ音声翻訳機能を予告動画で披露し、70以上の言語にわたる連続的なリスニングと双方向会話を実演。米国、メキシコ、インドのAndroid版Google翻訳アプリでは初期ベータ版が開始されました 。
• 2026年初頭：基盤技術の改良が続きます。Gemini APIの変更履歴によると、2026年3月26日には関連するライブオーディオモデルgemini-3.1-flash-live-previewがリリースされ、反復的な開発が進められていました 。
• 2026年6月9日：gemini-3.5-live-translate-previewモデルが、開発者向けに「Gemini Live API」と「Google AI Studio」を通じて、また一般ユーザー向けにはAndroidおよびiOSの「Google翻訳」アプリのアップデートを通じて公式にリリースされました 。

今すぐ使える：Gemini 3.5 Live Translateへのアクセス方法

このモデルは、Googleの一般消費者、開発者、企業向けの各プラットフォームで、それぞれ異なるアクセスレベルで提供されています。

Google翻訳（Android / iOS）

一般ユーザーにとってはこれが最も簡単な入り口です。この機能は「Google翻訳」アプリ内で世界中に順次展開されています。ヘッドフォンを装着した状態で、アプリ画面の左下にある「Live translate」ボタンをタップするだけです。Android版では、ハンズフリーの「リスニングモード」も展開中で、通常の通話のように端末を耳に当てるだけで、受話スピーカーから翻訳音声が聞こえます 。

Gemini Live API / Google AI Studio

開発者向けには、パブリックプレビューとして提供されています。これは、Gemini Live APIを特定の翻訳設定で使用することで、サードパーティ製のアプリやサービスへの組み込みを可能にするものです。「Google AI Studio」も、開発者がモデルの能力をプロトタイプしてテストできるサンドボックス環境を提供します 。

Google Meet

企業向けの提供はより限定的です。Google Meet向けのGemini 3.5 Live Translateは、2026年6月から一部の企業顧客を対象としたプライベートプレビューとして開始されます。利用可能になると、話者の言語を自動検出し、各参加者が希望する言語に翻訳します。会議中に70以上の言語と2,000以上の言語ペアをサポートします。より広範な展開は、2026年後半に予定されています 。この機能は、Google Workspace Business Standard/Plus、Enterprise Standard/Plus、Google AI Pro、Google AI Ultraなどのサブスクリプションで利用可能です 。

パートナー連携（Agora、LiveKitなど）

Agora、Fishjam、LiveKit、Pipecat、Vision Agentsといったリアルタイムコミュニケーションプラットフォームは、すでにGemini Live APIを自社のメディアパイプラインに統合する作業を進めています 。

Grabでの実証実験

最も説得力のある実地試験の一つが、東南アジアのライドシェア・デリバリープラットフォーム「Grab」での取り組みです。Grabは、ドライバーと乗客間のリアルタイム音声翻訳を提供するためにこのテクノロジーを試験導入しています。同社は毎月1,000万件以上の音声通話を処理しており、この実験は言語が細かく分断された市場の課題に正面から取り組むものです 。

リアルタイムAI翻訳の未来と意味

逐次翻訳からストリーミング翻訳への移行は、UX（ユーザー体験）の根本的な転換です。Google翻訳やMeetのようなユビキタスな製品に深く統合し、開発者エコシステムに開放することで、Googleはリアルタイム音声翻訳をニッチな機能からグローバルコミュニケーションの標準インフラ層へと押し上げようとしています 。Grabでの実証実験は、瞬間的で自然な翻訳が、目新しさではなく公共料金のようなユーティリティになりつつあることを如実に示しています 。

このモデルによって生成された全てのAI音声には、Googleの「SynthID」技術による電子透かしが埋め込まれます。これは、合成音声技術がより説得力を持ち、広く普及するにつれて、その出自を検出可能にし、悪用の可能性を軽減するための重要な措置です 。