一句话看懂：Google AI 于 2026 年 7 月 14 日发布 Gemini 3.5 Live Translate，这是一个面向开发者的新型语音到语音翻译 API，支持超过 70 种语言，主打“近实时”延迟与自然流畅的语音转写。这意味着跨语言实时对话场景的技术门槛被显著拉低，开发者可以更简单地构建全球化的多语言应用。
事件核心：发生了什么
Google AI for Developers 官方账号在 X（原 Twitter）上宣布，Gemini 3.5 模型系列新增 Live Translate 能力。该功能目前以 API 形式提供，核心特点是：输入原始语音后，模型不经过中间文本转写步骤，直接输出目标语言的语音，从而大幅缩短延迟。根据官方描述，该 API 支持“70+ 语言”和“近实时”的端到端语音翻译，且输出的语音语调自然、流畅。这是 Gemini 3.5 模型在实时多模态交互方向上的一个重要产品化落地。
为什么重要
传统语音翻译通常分为“语音识别-机器翻译-语音合成”三个独立环节，延迟高且容易丢失语气和情感。Gemini 3.5 Live Translate 直接处理原始语音信号，实现了端到端的语音到语音翻译，这在技术路线上是一次明确的升级。对行业而言，它意味着实时同传、跨国会议、多语言客服、语音社交等场景的 AI 基础设施变得更加成熟。Google 借助 Gemini 3.5 的推理能力，将过去需要多模型串联才能实现的功能整合为单一 API，降低了开发者的集成复杂度，并对其他大模型厂商（如 OpenAI、Meta）形成竞争压力。
对用户/开发者/创作者的影响
对于开发者来说，最直接的变化是调用接口变得更简单：不再需要管理 ASR、MT、TTS 三个独立的模型及对应的延迟优化。Gemini 3.5 Live Translate API 允许开发者直接在应用中集成“说一句话，收一句外语语音”的能力，适用于实时语音聊天、直播字幕、视频配音、虚拟助手等场景。对普通用户而言，未来在 Google 生态（如 Pixel 手机、Google Meet、YouTube）中可能会看到更流畅的实时翻译体验。对内容创作者，尤其是面向多语言市场的播客、视频创作者，该 API 降低了内容本地化的门槛，可以更高效地生成不同语言的口播版。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 API 的价格与配额：目前公开信息尚未披露具体的调用成本，这将是决定开发者是否大规模采用的关键因素。二是模型支持的语种范围：70+ 语言中是否包含中文、阿拉伯语、印地语等高难度语种，以及小众语言的翻译质量表现，需要等待详细评测。三是竞品跟进速度：OpenAI 的 Whisper 和 GPT-4o 已经具备一定的语音翻译能力，Anthropic 也在探索多模态，Google 这次的动作可能会加速语音 AI 的军备竞赛。四是生态策略：Google 是否会将该能力集成到 Android 系统级 API 或 Google Cloud 的 Vertex AI 中，将影响其商业化落地速度。
