Google presentou Gemini 3.5 Live Translate, un novo modelo de audio para tradución oral en tempo real que busca ofrecer conversas máis naturais entre persoas que falan idiomas diferentes. A tecnoloxía, que comeza a despregarse desde hoxe en distintos produtos da compañía, permite traducir a voz mentres se fala, mantendo aspectos como a entoación, o ritmo e o ton do interlocutor.
A tradución automática foi un dos primeiros proxectos de aprendizaxe automática de Google hai dúas décadas. Segundo a compañía de Mountain View, actualmente tradúcense máis dun billón de palabras cada mes para miles de millóns de usuarios a través dos seus servizos.
Gemini 3.5 Live Translate é capaz de detectar automaticamente máis de 70 idiomas e de xerar audio traducido de forma continua. A diferenza dos sistemas tradicionais por quendas, que agardan a que unha persoa remate de falar antes de ofrecer a tradución, o novo modelo procesa a fala mentres se produce, procurando un equilibrio entre a necesidade de obter suficiente contexto para mellorar a precisión e a de manter a conversa sincronizada. O resultado é unha tradución cunha latencia de apenas uns segundos e sen pausas artificiais.
O modelo tamén destaca pola súa capacidade para traballar con entradas multilingües sen configuración previa e pola súa resistencia ao ruído ambiental, o que facilita o seu uso en contornas concorridas. Google apunta a aplicacións como interpretación en directo durante chamadas, reunións, clases, emisións ou outros eventos.
A tecnoloxía xa está dispoñible para desenvolvedores en fase de vista previa pública a través da API Gemini Live e de Google AI Studio. Empresas como Agora, Fishjam, LiveKit, Pipecat ou Vision Agents integran esta infraestrutura para facilitar a creación de aplicacións de tradución por voz en tempo real.
Entre os primeiros casos de uso figura Grab, que está a probar o sistema para facilitar a comunicación multilingüe entre condutores e usuarios nos puntos de recollida. A plataforma xestiona máis de 10 millóns de chamadas de voz mensuais.
Google tamén anunciou a chegada de Gemini 3.5 Live Translate a Google Meet. A actualización permitirá ampliar o número de idiomas soportados de cinco a máis de 70 e ofrecer comunicación entre máis de 2.000 combinacións lingüísticas nunha mesma reunión, sen limitarse ás traducións desde ou cara ao inglés. Ademais, incorporarase unha nova interface que facilitará o acceso inmediato á función. A fase de vista previa privada para determinados clientes empresariais de Google Workspace comezará este mes, mentres que a despregadura máis ampla está prevista para finais de ano.
A aplicación Google Translate para Android e iOS tamén incorpora progresivamente esta tecnoloxía a nivel global. A función Live Translate permitirá utilizar auriculares para recibir traducións que reproduzan o ton e a expresividade do falante orixinal.
Os dispositivos Android recibirán ademais un novo modo de escoita que permite escoitar a tradución directamente polo auricular interno do teléfono. O usuario só ten que achegar o dispositivo á orella como se estivese nunha chamada convencional para recibir o audio traducido en tempo case real, unha opción pensada para situacións nas que non se dispoña de auriculares ou se prefira unha experiencia máis discreta.
Todo o audio xerado polo modelo incorpora marcas de auga dixitais mediante a tecnoloxía SynthID. Estas marcas, imperceptibles para os usuarios, quedan integradas directamente no son para permitir a identificación posterior de contidos xerados por intelixencia artificial e contribuír á loita contra a desinformación.
Vídeo de presentación de Gemini 3.5 Live Translate
