我上周跟德国产品团队开对接会，之前每次对方说完半句，我得等3秒字幕才跳出来，这次他们说“这个接口的兼容性”，我耳机里的字幕就同步出来，而且是完整的一句话，不是拆成“这个接口”“的兼容性”两段。这就是Gemini 3.5 Live Translate的新功能——把近乎实时的自然语音翻译，塞进了Google的三个核心产品：Google AI Studio、Google Translate、Google Meet。
不是“逐句翻”，是“跟着话茬转”
之前的实时语音翻译，要么延迟高到让人分心，要么是把句子拆成碎块，翻译出来像机器念的台词，完全没有口语的连贯性。这次的功能，核心是用Gemini 3.5的模型能力，捕捉对话的上下文逻辑——比如对方说“我们先试下这个方案…哦刚才那个参数我再核对下”，不会把“哦刚才那个参数”单独翻成奇怪的内容，而是跟着整句话的语境调整，让翻译的节奏跟自然对话的间隙对上，大概就是人说话的停顿，字幕也刚好跟上，不会让人觉得是在跟机器对话。
集成三个产品，覆盖三类人群
这个功能不是单点的实验性工具，是铺到了Google的三个主流产品里，对应不同的用户场景。Google Meet是给普通职场人用的——跨国开会不用再额外装翻译插件，直接在会议设置里开实时翻译，两边的人都能看到自然的转译内容，不会因为语言卡壳拖慢进度。Google Translate是给日常用户用的——比如出国买东西、跟外国朋友聊天，对着手机说话，翻译出来的是接地气的口语，不是生硬的书面语，应付日常沟通足够。Google AI Studio是给开发者用的，他们可以把这个翻译能力嵌到自己的产品里，比如做跨境聊天APP，不用自己搭模型训练，直接调用Gemini的功能就能搞定实时翻译。
解决了真问题，但还有小缺口
之前的实时语音翻译，最大的两个痛点就是“慢”和“怪”——跨国会议上，等字幕的时间足够让思路断片；日常对话里，机翻的生硬会让人觉得不礼貌。现在这个功能，至少把这两个问题缓解了。对Google来说，是把实验室里的模型能力落地到了大家天天用的产品里，不是只能看的花架子。对用户来说，跨语言沟通的门槛确实降了。
不过我试了几次，还是有个疑问：它能接住对话里的“潜台词”吗？比如对方说“今天这事…（停顿两秒）”，后面的补充会不会翻得自然？会不会把一些口语化的梗，翻成让人摸不着头脑的书面语？现在这套功能看起来解决了“字面的翻译问题”，但人和人沟通里的语气、停顿、潜台词，它还有距离吗？
素材来源：Google DeepMind Blog · AI情报、大模型、消费级AI
查看报道原文
发表第一条评论吧