Gemini 3.5 tłumaczy mowę na żywo w 70+ językach

Gemini 3.5 Live Translate obsługuje 70+ języków bez przerwy na myślenie

Google DeepMind wypuściło 9 czerwca 2026 roku Gemini 3.5 Live Translate - model audio do tłumaczenia mowy na mowę w czasie zbliżonym do rzeczywistego. Automatycznie wykrywa język źródłowy spośród ponad 70 opcji i nie wymaga ręcznej konfiguracji. Model zachowuje intonację, tempo i wysokość głosu oryginalnego mówcy, co odróżnia go od tradycyjnych systemów opartych na segmentach.

Kluczowa różnica techniczna leży w podejściu do generowania - zamiast czekać, aż mówca skończy zdanie, 3.5 Live Translate przetwarza strumień audio na bieżąco. Zostaje kilka sekund za mówcą przez całą sesję, balansując między jakością a opóźnieniem. Efekt: płynne audio bez niezręcznych pauz, które dotychczas zdradzały maszynowe tłumaczenia.

Gdzie można to odpalić już teraz?

Rollout ruszył jednocześnie na kilku frontach. Deweloperzy dostają dostęp przez Gemini Live API i Google AI Studio w publicznym podglądzie. Przedsiębiorstwa mogą aplikować o prywatny dostęp w Google Meet - ten kanał startuje w tym samym miesiącu. Zwykli użytkownicy odpalą funkcję w Google Translate na Androidzie i iOS bez żadnych rejestracji.

Partnerzą z Google takie platformy jak Agora, LiveKit, Pipecat, Fishjam i Vision Agents. Przejmują one obsługę infrastruktury strumieniowania w czasie rzeczywistym, żeby deweloperzy mogli skupić się na interfejsie użytkownika zamiast walczyć z WebRTC.

Grab - regionalny gigant ride-hailing z Azji Południowo-Wschodniej - testuje model do komunikacji między kierowcami a pasażerami przy odbiorach. Ich użytkownicy wykonują ponad 10 milionów połączeń głosowych miesięcznie przez aplikację, więc skala testu jest poważna.

Czy to koniec bariery językowej na żywo?

Google tłumaczy już bilion słów miesięcznie dla miliardów użytkowników. Liczba robi wrażenie, ale tamte tłumaczenia to głównie tekst - statyczny, bez kontekstu dźwiękowego. 3.5 Live Translate próbuje przenieść tę masowość do rozmów głosowych, gdzie liczy się sekunda opóźnienia i naturalne brzmienie.

Możliwości zastosowania wychodzą dalej niż oczywiste scenariusze biznesowe. Firma wskazuje na lekcje online, transmisje na żywo i interpretację na spotkaniach jako konkretne przypadki użycia. CJ ENM - koreański konglomerat medialny - należy do firm, które już przekazały pozytywne opinie po testach.

Noise robustness, czyli odporność na hałas w tle, to osobna cecha, którą Google wymienia wprost. Aplikacje mogą działać w głośnych, nieprzewidywalnych środowiskach - dokładnie takich, jak przyjazd Graba na zatłoczone lotnisko.

Google tłumaczy od 20 lat - tym razem chodzi o głos

Google Translate istnieje od 2006 roku. Przez dwie dekady tłumaczenie tekstu dojrzało do stanu, gdzie większość użytkowników traktuje je jak użyteczność - jak prąd albo wodę. Głos to zupełnie inna gra: latencja, naturalność brzmienia, zachowanie emocji w głosie mówcy.

Rywale nie siedzą z założonymi rękami - Meta wypuściła własne systemy tłumaczenia mowy, OpenAI ma Whisper plus GPT-4o Voice, a wyspecjalizowane startupy jak Interprefy działają od lat na rynku enterprise. Google wchodzi z modelem zintegrowanym z Meet i Translate, co daje natychmiastowy dostęp do miliardów istniejących użytkowników.

Czy deweloperzy dostaną to, czego szukają?

Gemini Live API w publicznym podglądzie oznacza, że każdy może już dziś zabrać się za budowanie własnych aplikacji tłumaczących. W Gemini Cookbook wrzucono demo i przykładowy kod do testowania możliwości dubbingu i jednoczesnego tłumaczenia na wiele języków - to osobna funkcja, nie tylko para jeden-do-jednego.

Prywatny dostęp dla enterprise w Google Meet to sygnał, że Google chce przetestować wydajność przy realnym obciążeniu korporacyjnym zanim otworzy floodgate. Firmy zainteresowane muszą aktywnie aplikować - dostęp nie jest automatyczny.

Grab wykonuje 10 milionów połączeń głosowych miesięcznie. Jeśli model sprawdzi się przy takim wolumenie w warunkach drogowego hałasu Azji Południowo-Wschodniej, argumenty sceptyków będą trudniejsze do utrzymania.