Google 發表 Gemini 3.5 Live Translate：即時語音翻譯模型如何運作，以及你可以在哪裡用到它

2026 年 6 月 9 日，Google 正式向大眾發布了迄今為止最先進的音訊翻譯模型：Gemini 3.5 Live Translate。這個開發人員代碼為 gemini-3.5-live-translate-preview 的特殊模型，是專為一個核心任務所設計——近乎即時的、串流式的語音轉語音翻譯。它支援超過 70 種語言與超過 2,000 種語言組合，對於早已習慣按鍵、停頓、再播放這種傳統翻譯模式的大眾來說，是一次根本性的體驗轉變 。

Gemini 3.5 Live Translate 不再需要等你把整句話說完才開始翻譯，而是在短短數秒內就開始處理並生成譯文音訊，目標是讓對話保持流暢自然。這次公開發布，也標誌著從 2025 年 12 月早期展示，到 2026 年春季透過 Gemini 3.1 flash live 模型持續打磨，這個階段性推出計畫的集大成 。

拆解即時語音翻譯的核心技術：它如何做到邊聽邊翻？

Gemini 3.5 Live Translate 最核心的創新，在於它採用了 連續、雙向的串流架構。這與傳統一來一往的翻譯系統截然不同，仰賴數項關鍵技術協同運作。

同步翻譯與聆聽

模型不會等待說話者結束。它同時串流接收音訊，並逐步生成翻譯後的語音輸出。Google 形容這就像「僅僅落後說話者幾秒鐘」，進而消除了那種可能打斷自然對話節奏的尷尬停頓 。

自動語言偵測

使用者不需要手動選擇來源語言。模型會在過程中自動辨識正在說的是哪一種語言。即使是在多種語言夾雜的環境中也能順暢運作，使其更貼近真實世界動態多變的對話情境 。

保留自然語調與聲線

對使用者體驗至關重要的一點是，翻譯後的語音聽起來不會像機器人。模型在設計上保留了原始說話者的語調、語速和音高，產出的譯文語音更像是說話者本人，而非冰冷的文字轉語音引擎 。

雙向溝通與廣泛的語言組合

由於支援超過 70 種語言，模型涵蓋了數千種雙向語言組合。它是專為雙向對話設計的，讓對話的雙方都能流暢地聽到對方話語被即時翻譯成自己的語言 。

技術規格

對開發者來說，可以透過 Gemini Live API 使用此模型。它要求的音訊輸入格式為：原始、低位元組優先、16 位元 PCM 音訊，取樣率為 16kHz。翻譯後的音訊輸出同樣是原始的 16 位元 PCM，但取樣率會提升至更高的 24kHz 。模型的上下文窗口允許輸入高達 128,000 個 token 以及輸出 64,000 個 token 。

從首次展示到公開發布：時間軸總覽

Google 走向這次公開發布的旅程是階段性的，Gemini 3.5 模型家族最早已於 2026 年 5 月的 Google I/O 開發者大會上亮相 。

• 2025 年 12 月：Google 首次在一支預告影片中展示了其即時語音翻譯技術，示範了涵蓋超過 70 種語言的連續聆聽與雙向對話功能，並在美國、墨西哥和印度的 Android 版 Google 翻譯 App 中推出了初期的 Beta 測試 。
• 2026 年初：技術持續精進。Gemini API 更新日誌顯示，相關的即時音訊模型，例如 gemini-3.1-flash-live-preview，已於 2026 年 3 月 26 日發布，成為此迭代發展的一環 。
• 2026 年 6 月 9 日：gemini-3.5-live-translate-preview 模型正式向開發者發布，可透過 Gemini Live API 和 Google AI Studio 使用；同時，也透過 Android 與 iOS 版 Google 翻譯 App 的更新，全面帶給全球消費者 。

你可以從哪裡開始使用 Gemini 3.5 Live Translate？

此模型正廣泛地在 Google 的消費者、開發者及企業平台上線，但開放程度略有不同。

Google 翻譯 (Android 和 iOS)

對一般消費者來說，這是最簡單的使用途徑。此功能正在 Google 翻譯 App 中全球推出。使用者只需戴上耳機，點選 App 畫面左下角的「即時翻譯」按鈕即可。在 Android 裝置上，Google 還推出一種不用動手的「聆聽模式」，能將翻譯內容透過手機聽筒播放，讓你像講一般電話一樣將手機貼近耳邊使用 。

Gemini Live API 和 Google AI Studio

對開發人員而言，此模型處於 公開預覽版 階段。這意味著可以透過帶有特定翻譯配置的 Gemini Live API，將其整合至第三方應用程式與服務中。Google AI Studio 也提供了一個沙盒環境，讓開發者能夠進行模型功能原型設計與測試 。

Google Meet

針對企業的存取權限較為嚴格。從 2026 年 6 月開始，Gemini 3.5 Live Translate 將以 私人預覽版 的形式，率先開放給特定的企業客戶。功能上線後，系統會自動偵測發言者的語言，並將其翻譯成每位與會者偏好的語言，在會議期間支援超過 70 種語言與 2,000 多種語言組合。更廣泛的推出計畫定於 2026 年下半年 。此功能適用於訂閱 Google Workspace 商業標準版與進階版、企業標準版與進階版，以及 Google AI Pro 和 Google AI Ultra 方案的用戶 。

合作夥伴整合 (Agora、LiveKit 等)

像是 Agora、Fishjam、LiveKit、Pipecat 和 Vision Agents 等即時通訊平台，已在著手整合 Gemini Live API，要將此翻譯模型導入其自家的影音處理管線中 。

Grab 的試行計畫

其中一個最引人注目的真實世界測試案例，便是東南亞叫車與外送平台 Grab。Grab 正試行這項技術，為司機與乘客提供即時語音翻譯。該公司每月處理超過 1,000 萬通語音通話，而此試行計畫正面迎擊了這個語言極度破碎市場所帶來的挑戰 。

這對 AI 翻譯的未來意味著什麼？

從逐句對話轉變為串流翻譯，是一種根本的 UX 轉變。藉由將此模型深度整合到 Google 翻譯和 Meet 這類無所不在的產品，並向開發者生態系統開放，Google 正將即時語音翻譯，從一項利基功能，推向全球溝通的基礎設施標準配備 。Grab 的試行案例清楚說明了此轉變，將即時、聽感自然的翻譯定位成一種公用事業，而非新奇玩具 。

所有由 AI 生成的音訊，都會加上 Google 的 SynthID 技術浮水印，以確保其來源可被偵測，並減少潛在的濫用。隨著合成語音技術日益逼真普及，這正是至關重要的一步 。