你不用再等一句话说完才开始翻译，Gemini 3.5 Live Translate 会立刻“听懂”并“说”出来，尽量让对话始终像母语聊天一样自然。这次公开亮相，其实是谷歌从 2025 年 12 月首次对外演示以来的一次最终完善，期间还经历了 2026 年春天推出 Gemini 3.1 flash live 模型的迭代打磨。

实时语音翻译到底是怎么工作的？

Gemini 3.5 Live Translate 的核心创新在于它的连续的、双向的流式翻译架构。这和传统的“回合制”翻译系统很不一样，它靠几个关键能力相互配合来实现。

边听边译，几乎同步

这个模型不会等人把一句话说完整再动手，而是一边接收音频，一边就产生出翻译好的语音。谷歌自己的说法是，它能“只比每个说话人慢个一两秒”，这样一来，那些让对话变得尴尬的冷场就基本被消灭了。

自动识别语种

使用者不需要手动去选“源语言是什么”，模型会在你说的时候就自己认出来。哪怕好几个人同时在用不同的语言说话，它也能应付，很适合在真实的交谈场合混着讲。

保留原声语气，不像机器人

用户体验上特别重要的一点是，翻译出来的声音听起来不会硬邦邦的。模型刻意保留了说话人的语调、语速和音高，让你听到的翻译更像原来说话的那个人的声音，而不会像生硬的文字转语音引擎。

双向互译，覆盖面广

因为支持 70 多种语言，所以理论上它能覆盖几千个双向语言对。它是为两个人你来我往的聊天设计的，每个人听到的都是自己习惯的语言，对话可以很自然地流动。

技术规格速写

对开发者来说，这个模型是借助 Gemini Live API 来接入的。它需要的输入音频格式是“原始、小端、16 位 PCM、16kHz 采样率”的那种。翻译出来的音频输出也是原始的 16 位 PCM，但采样率更高，24kHz。而且这个模型的上下文窗口能装下最多 128000 个输入 token，以及 64000 个输出 token。

从初露锋芒到全面发布：时间线是怎样的？

谷歌在这条路上走的是分阶段推进的路子，Gemini 3.5 模型家族最初是在 2026 年 5 月的 Google I/O 开发者大会上就宣布了的。

• 2025 年 12 月：谷歌首次在预览视频中展示这项实时语音互译能力，演示了跨 70 多种语言的持续聆听和双向对话。与此同时，也在美国的 Android 版 Google 翻译 App 中开启了初期测试，范围包括美国、墨西哥和印度。
• 2026 年初：底层技术进一步打磨。在 Gemini API 的更新日志中可以看到，2026 年 3 月 26 日就发布过相关的实时音频模型 gemini-3.1-flash-live-preview，这就是在不断迭代优化的过程。
• 2026 年 6 月 9 日：gemini-3.5-live-translate-preview 模型正式发布，开发者可以通过 Gemini Live API 和 Google AI Studio 来取用，普通用户则可以通过 Android 和 iOS 版 Google 翻译 App 的全球更新来用到它。

现在能在哪里用上 Gemini 3.5 Live Translate？

这款模型正在被放进谷歌面向消费者、开发者和企业的各类产品里，只不过不同渠道的可用程度不一样。

Google 翻译 App（Android 和 iOS 版）

对普通消费者来说，这是最直接的上手方式。功能正在全球逐步推送到 Google 翻译 App 里。你只要戴上耳机，轻点 App 界面左下角的“Live translate”（实时翻译）按钮就可以用了。在 Android 上，谷歌还正在推出一个免提的“收听模式”，翻译声音可以从手机听筒里出来，这样你就可以把它贴到耳边，就像打普通电话一样。

Gemini Live API 和 Google AI Studio

对开发者来说，这个模型现在处于公开预览阶段。开发者可以把 Gemini Live API 配合专门的翻译配置，集成到自己的第三方应用和服务里。Google AI Studio 也提供了一个沙盒环境，方便他们去原型设计和测试模型能力。

Google Meet

企业用户要想用到它，限制会多一些。为 Google Meet 打造的 Gemini 3.5 Live Translate，是从 2026 年 6 月起以私人预览的形式向部分企业客户开放的。一旦启用，它会在会议中自动识别发言人的语言，并转成每个参会者自己偏好的目标语言，可以覆盖 70 多种语言和超 2000 个语言对。更大范围的落地安排在 2026 年稍后些时候。这个功能会提供给 Google Workspace 的企业标准版和增强版、商务标准版和增强版，以及 Google AI Pro 和 Google AI Ultra 的订阅用户。

合作伙伴集成（Agora、LiveKit 等）

像 Agora、Fishjam、LiveKit、Pipecat、Vision Agents 这样的实时通信平台，都已经在着手把 Gemini Live API 整合起来，让这套翻译模型能跑在他们自己的媒体传输链路上。

Grab 的试点项目

最让人眼前一亮的真实世界测试，来自东南亚的叫车和外卖平台 Grab。Grab 现在正在试点把这套技术装到司机和乘客的实时语音沟通中。这个平台每月要处理超过 1000 万次语音通话，在这个语言极其碎片化的市场上，这种技术直击要害。

这对 AI 翻译的未来意味着什么

从“回合制”翻译变成流式翻译，是一次根本的体验跃迁。通过将模型深深植入 Google 翻译和 Meet 这类人人都在用的产品，并同步向开发者生态敞开，谷歌正在把实时语音翻译从一种尝鲜的功能，升级为全球交流必不可少的基础设施。Grab 的试点项目就是对这种趋势最清晰的注脚：即时的、语调自然的翻译，正从“加分项”变成“水电煤”一样的公共服务。

所有由 AI 生成的音频都会打上谷歌 SynthID 技术的水印，让声音的源头能够追溯，防止被滥用。当合成语音技术越来越逼真、越来越普及时，这一步显得尤为关键。

你不用再等一句话说完才开始翻译，Gemini 3.5 Live Translate 会立刻“听懂”并“说”出来，尽量让对话始终像母语聊天一样自然。这次公开亮相，其实是谷歌从 2025 年 12 月首次对外演示以来的一次最终完善，期间还经历了 2026 年春天推出 Gemini 3.1 flash live 模型的迭代打磨。

实时语音翻译到底是怎么工作的？

Gemini 3.5 Live Translate 的核心创新在于它的连续的、双向的流式翻译架构。这和传统的“回合制”翻译系统很不一样，它靠几个关键能力相互配合来实现。

边听边译，几乎同步

这个模型不会等人把一句话说完整再动手，而是一边接收音频，一边就产生出翻译好的语音。谷歌自己的说法是，它能“只比每个说话人慢个一两秒”，这样一来，那些让对话变得尴尬的冷场就基本被消灭了。

自动识别语种

使用者不需要手动去选“源语言是什么”，模型会在你说的时候就自己认出来。哪怕好几个人同时在用不同的语言说话，它也能应付，很适合在真实的交谈场合混着讲。

保留原声语气，不像机器人

用户体验上特别重要的一点是，翻译出来的声音听起来不会硬邦邦的。模型刻意保留了说话人的语调、语速和音高，让你听到的翻译更像原来说话的那个人的声音，而不会像生硬的文字转语音引擎。

双向互译，覆盖面广

因为支持 70 多种语言，所以理论上它能覆盖几千个双向语言对。它是为两个人你来我往的聊天设计的，每个人听到的都是自己习惯的语言，对话可以很自然地流动。

技术规格速写

对开发者来说，这个模型是借助 Gemini Live API 来接入的。它需要的输入音频格式是“原始、小端、16 位 PCM、16kHz 采样率”的那种。翻译出来的音频输出也是原始的 16 位 PCM，但采样率更高，24kHz。而且这个模型的上下文窗口能装下最多 128000 个输入 token，以及 64000 个输出 token。

从初露锋芒到全面发布：时间线是怎样的？

谷歌在这条路上走的是分阶段推进的路子，Gemini 3.5 模型家族最初是在 2026 年 5 月的 Google I/O 开发者大会上就宣布了的。

• 2025 年 12 月：谷歌首次在预览视频中展示这项实时语音互译能力，演示了跨 70 多种语言的持续聆听和双向对话。与此同时，也在美国的 Android 版 Google 翻译 App 中开启了初期测试，范围包括美国、墨西哥和印度。
• 2026 年初：底层技术进一步打磨。在 Gemini API 的更新日志中可以看到，2026 年 3 月 26 日就发布过相关的实时音频模型 gemini-3.1-flash-live-preview，这就是在不断迭代优化的过程。
• 2026 年 6 月 9 日：gemini-3.5-live-translate-preview 模型正式发布，开发者可以通过 Gemini Live API 和 Google AI Studio 来取用，普通用户则可以通过 Android 和 iOS 版 Google 翻译 App 的全球更新来用到它。

现在能在哪里用上 Gemini 3.5 Live Translate？

这款模型正在被放进谷歌面向消费者、开发者和企业的各类产品里，只不过不同渠道的可用程度不一样。

Google 翻译 App（Android 和 iOS 版）

对普通消费者来说，这是最直接的上手方式。功能正在全球逐步推送到 Google 翻译 App 里。你只要戴上耳机，轻点 App 界面左下角的“Live translate”（实时翻译）按钮就可以用了。在 Android 上，谷歌还正在推出一个免提的“收听模式”，翻译声音可以从手机听筒里出来，这样你就可以把它贴到耳边，就像打普通电话一样。

Gemini Live API 和 Google AI Studio

对开发者来说，这个模型现在处于公开预览阶段。开发者可以把 Gemini Live API 配合专门的翻译配置，集成到自己的第三方应用和服务里。Google AI Studio 也提供了一个沙盒环境，方便他们去原型设计和测试模型能力。

Google Meet

企业用户要想用到它，限制会多一些。为 Google Meet 打造的 Gemini 3.5 Live Translate，是从 2026 年 6 月起以私人预览的形式向部分企业客户开放的。一旦启用，它会在会议中自动识别发言人的语言，并转成每个参会者自己偏好的目标语言，可以覆盖 70 多种语言和超 2000 个语言对。更大范围的落地安排在 2026 年稍后些时候。这个功能会提供给 Google Workspace 的企业标准版和增强版、商务标准版和增强版，以及 Google AI Pro 和 Google AI Ultra 的订阅用户。

合作伙伴集成（Agora、LiveKit 等）

像 Agora、Fishjam、LiveKit、Pipecat、Vision Agents 这样的实时通信平台，都已经在着手把 Gemini Live API 整合起来，让这套翻译模型能跑在他们自己的媒体传输链路上。

Grab 的试点项目

最让人眼前一亮的真实世界测试，来自东南亚的叫车和外卖平台 Grab。Grab 现在正在试点把这套技术装到司机和乘客的实时语音沟通中。这个平台每月要处理超过 1000 万次语音通话，在这个语言极其碎片化的市场上，这种技术直击要害。

这对 AI 翻译的未来意味着什么

从“回合制”翻译变成流式翻译，是一次根本的体验跃迁。通过将模型深深植入 Google 翻译和 Meet 这类人人都在用的产品，并同步向开发者生态敞开，谷歌正在把实时语音翻译从一种尝鲜的功能，升级为全球交流必不可少的基础设施。Grab 的试点项目就是对这种趋势最清晰的注脚：即时的、语调自然的翻译，正从“加分项”变成“水电煤”一样的公共服务。

所有由 AI 生成的音频都会打上谷歌 SynthID 技术的水印，让声音的源头能够追溯，防止被滥用。当合成语音技术越来越逼真、越来越普及时，这一步显得尤为关键。