Google 最近發表了最新的音訊模型「Gemini 3.5 Live Translate」，以前其實就很期待這個應用，而文章內這項技術展示的影片示例令人印象深刻，讀者不妨也透過文末的連結前往觀看。
過去使用翻譯工具時，往往要等對方講完一整句，系統才能開始處理，但現在這個模型已經能做到只有幾秒鐘的延遲，幾乎等於同步翻譯的效果。
新聞重點：從「輪流說」進化到「同時說」
根據 Google 官方發布的資訊，這項技術的核心特色在於「連續生成」能力。它支援超過 70 種語言，且不同於以往必須等講者說完才能翻譯的系統，它能在講者說話的同時持續產出音訊，僅落後幾秒鐘。更重要的是，它能保留原講者的語調、節奏與音高，讓翻譯出來的聲音聽起來更自然。
目前這項技術已經在多個管道推出：
* 開發者端：可透過 Gemini Live API 進行公測，目前已有 Grab、Agora 等平台開始整合。
* 企業端：Google Meet 本月將針對特定 Workspace 客戶推出私人預覽版，支援超過 2000 多種語言組合，打破過去必須與英文互譯的限制。
* 一般大眾：Android 與 iOS 上的 Google 翻譯 App 已可體驗。特別是 Android 用戶還有一個「聽筒模式」，可以像接電話一樣把手機貼在耳朵聽翻譯，適合不想讓旁人聽到的場景。
為了安全性，所有生成的音訊都會加上 SynthID 浮水印，這是一種肉耳無法察覺但可被偵測的技術，用來確保 AI 生成內容的可追溯性。
我的觀察：AI 不只是轉譯，更是在「修飾」表達
看到這項技術的演進，我認為這對口譯與翻譯產業來說，確實是一個值得關注的轉折點。在生成式 AI 剛推出時，筆譯被認為是第一線受衝擊的工作，而口譯因為門檻與即時性要求較高，受到的影響還沒那麼明顯。但隨著 Gemini 3.5 Live Translate 這種低延遲技術的出現，這道高牆似乎也逐漸要被跨過去了。
這裡並不是要危言聳聽，而是我們或許該思考：當「語言轉譯」不停演進，成本可負擔且即時時，人的角色在翻譯這個行業中還能扮演什麼？是更加精進自身的技巧，還是去找到翻譯中AI尚不能企及的領域？
另外一個常被忽略的重點是：AI 在語音轉錄中扮演的關鍵角色，其實是「理解與修飾」。很多人以為這只是語音輸入法，但事實上，轉錄後再經過 AI 進行調整才是精華。例如，一個說話比較「憨慢」的人，可以透過 AI 將內容轉譯成更積極熱情或畢恭畢敬的語氣輸出。另外甚至可以結合特殊需求輸出成特定文案格式，以及可以達到一些本機操作上的啟動功能。這意味著 AI 不只幫你跨越語言障礙，還能幫你優化溝通的品質與格式。
這件事值得繼續觀察什麼
1. 溝通門檻的全面降低：當語音不再是限制，軟體與資訊服務在地域上的限制會變得更少，好的開發商能更容易將產品推向全球。
2. 專業口譯的轉型：當基礎翻譯被 AI 取代，人類口譯員是否會轉向更高階的文化轉譯、情感仲介或複雜談判的輔助？
3. 安全與信任：SynthID 浮水印在實際應用中，是否真能有效防止深偽（Deepfake）語音帶來的詐騙或誤導資訊？
原文連結：https://blog.google/innovation-and-ai/models-and-research/gemini-models/gemini-live-3-5-translate/
