6月9日,Google 正式推出 Gemini 3.5 Live Translate,一款实时语音到语音翻译的音频模型。它脱胎于 Gemini 3 Pro 架构,音频输入支持 128K token 上下文,输出同时给出文本和语音,上限 64K token。最关键的是它"边说边译"的并发流式推理方式——传统同传系统必须等说话人停顿,再整段翻译输出,节奏一卡一卡;而 Live Translate 用连续流处理,把延迟压到几秒以内,同时保留说话人的语调、语速和音高。 "流式语音翻译"并非新概念。Google Translate 多年前就有演示,过去需依赖 Pixel Buds 配合 Android;去年底模型驱动的实时翻译才推广到任意耳机和 iOS。但那时延迟和音色还原度都还停留在"勉强能用"。3.5 Live Translate 的分水岭在于三个评估维度同步提升:翻译质量用 AutoMQM 错误分类自动打分;延迟同时测首字延迟和词级延迟;语音自然度则用专门的 TTS 指标。三者一起把"实时翻译"从演示带向了生产。 值得玩味的,是 Google 的产品形态。它不是藏在 Google Translate 里的开关,而是 Gemini Live API 里独立可调的模型——开发者可借此构建同声传译、多语种电话转接、跨国直播字幕这类 B 端场景。Google Meet 企业内测先于 To C 铺开,紧接着才是 Android/iOS 端 Translate 的全面推送。这种"先开发者、后企业、再大众"的节奏,反映出 Google 对 API 生态变现的押注。 横向看,5 月阿里 Qwen 推出 Qwen3.5-LiveTranslate-Flash、Tencent 混元开源 Hy-MT2、Sakana AI 发布 KAME 级联架构,语音翻译已成大模型厂商的标配战场。Gemini 3.5 Live Translate 的差异化不再是"能不能做",而是谁能把延迟、音色、多语种噪声鲁棒性同时做到商用级别。下一步竞赛,将是终端芯片的推理优化——把这样的大模型塞进耳机和手机里,才是真正的硬骨头。