Google 发布 Gemini 3.5 实时语音翻译，端到端延迟逼近真人水平
Google 在近日发布了 Gemini 3.5 的实时语音翻译功能，支持双向即时语音转语音翻译。译文保留说话人的语调和节奏，并嵌入了 SynthID 水印用于安全追踪。AI 翻译开始从文字走向音频。
实时语音翻译的核心难点在于延迟。传统的机器翻译链路是语音识别、文本翻译、语音合成三个独立模块串联，每一步都会产生延迟累积。Gemini 3.5 采用端到端架构，直接在音频表征空间完成翻译，减少了中间环节带来的失真和延迟。
Google 强调译文会保留说话人的语调、节奏和音高特征，这意味着翻译后的声音听起来不像传统机器翻译那种生硬的电子音。配合 SynthID 数字水印技术，每一条翻译音频都带有可追踪的标识符，方便平台方识别 AI 生成的语音内容。
这项技术对跨国会议、旅行交流、实时字幕等场景有直接价值。对于视频会议软件来说，实时翻译可以让不同语言的用户无障碍沟通。在新闻直播中，同声传译的质量一直依赖专业译员，AI 实时翻译的进步意味着成本大幅下降。
不过端到端语音翻译也面临挑战。不同语言的语法结构差异巨大，英语和中文之间的语序差异尤其明显。如何在保留说话人声音特征的同时准确翻译内容，仍然是一个技术难题。Google 选择在翻译音频中加入水印，既是为了安全追踪，也侧面说明对翻译结果的可追溯性有了顾虑。
Google 的语音翻译能力已经布局多年，从早期的 Google Translate 到现在的端到端方案，技术路线一直在演进。Gemini 3.5 的推出说明 Google 把语音翻译视为 AI 能力的重要指标之一，和模型推理能力、编程能力并列推进。
实时翻译的技术瓶颈
实时语音翻译在实验室环境和真实场景之间存在巨大差距。实验室中可以控制语速和背景噪音，但真实场景中的口音、方言、环境干扰都会影响翻译质量。Google 选择在发布时就嵌入水印技术，说明对 AI 语音的滥用风险已经有了清醒认知。这项技术未来会在哪些场景落地，取决于用户体验和监管框架的双重考验。
实时语音翻译的另一个应用场景是教育领域。语言学习一直依赖沉浸式环境，但现实中大部分学习者无法获得真实的语言环境。AI 实时翻译可以在学习者和母语者之间架起沟通桥梁，让语言学习变得更加自然和高效。Google 选择在这个方向投入资源，说明他们看到了教育市场的巨大潜力。
从技术竞争的角度看，实时语音翻译是衡量大模型综合能力的试金石。它同时考验了语音识别、自然语言理解、跨语言翻译和语音合成多个子领域的能力。Google 用 Gemini 3.5 来完成端到端翻译，实际上是在展示其大模型架构的多领域通用能力。这对其他大模型公司来说是一种技术竞争压力。