AIREITERHablar con alguien que no comparte tu idioma suele implicar pausas incómodas: hablas, esperas a que el móvil procese la frase y aguardas la respuesta. Gemini 3.5 Live Translate cambia esa dinámica al entregar la traducción en el oído de la otra persona apenas unos segundos después, manteniendo el ritmo y el tono de voz. Google lo anunció el 9 de junio de 2026 como su modelo de audio a audio para traducción oral en tiempo real en más de 70 idiomas. Actualmente está disponible en tres frentes: la app Google Translate, Google Meet y la Gemini Live API para desarrolladores. Incluye un nivel gratuito y el uso de pago ronda los $0.037 por minuto de audio.
Qué hace realmente Gemini 3.5 Live Translate
Google lo define como un modelo de audio a audio que transmite directamente la voz traducida. A diferencia del flujo tradicional de transcribir, traducir el texto y volver a sintetizarlo en voz, procesa el audio a medida que llega y genera la traducción de forma continua. En vez de esperar a que termines una frase, se mantiene unos segundos por detrás de tu voz.
Hay tres diferencias clave frente a un traductor básico. Primero, detecta automáticamente el idioma hablado: una conversación puede alternar entre más de 70 idiomas y, en grupos, superar las 2.000 combinaciones de idiomas sin cambiar ningún ajuste. Además, conserva la entonación, el ritmo y el tono del hablante, evitando una voz robótica. Por último, todo el audio que genera lleva una marca de agua SynthID, la tecnología de Google para identificar contenido multimedia creado por IA. Según su ficha de modelo de DeepMind, se basa en la arquitectura Gemini 3 Pro y dispone de una ventana de entrada de 131.072 tokens.
Dónde está disponible ahora mismo
Gemini 3.5 Live Translate no es un producto aislado, sino un mismo modelo integrado en tres entornos. La forma de usarlo depende de cuál necesites.
En la aplicación Google Translate
Para conversaciones cotidianas, se está desplegando globalmente en las apps de Google Translate para Android e iOS. Basta con abrir el modo Live translate, elegir los idiomas o dejar que la aplicación los detecte y empezar a hablar. En Android hay un nuevo modo de escucha que reproduce la traducción por el auricular del teléfono, haciendo que una charla entre dos personas se parezca más a llevar un intérprete en el oído que a pasarse el móvil de mano en mano.
En Google Meet
En Google Meet, la traducción de voz basada en este modelo está en vista previa privada para clientes empresariales. El salto es notable: la traducción anterior de Meet admitía aproximadamente cinco idiomas; la nueva versión supera los 70 idiomas y las 2.000 combinaciones de idiomas dentro de una misma reunión. Cada participante escucha la conversación en su propio idioma sin que los demás tengan que detenerse.
Mediante la Gemini Live API
Para desarrolladores, el modelo está en vista previa pública en la Gemini Live API y en Google AI Studio. Es la opción para integrar traducción en una aplicación propia, un centro de atención telefónica o un producto de streaming. Google ya ha preparado integraciones con plataformas de audio en tiempo real como Agora, LiveKit, Fishjam, Pipecat y Vision Agents. Grab también lo está probando para llamadas entre conductores y pasajeros en una red que gestiona más de 10 millones de llamadas de voz al mes.
Cómo llamar a la Live API
El identificador del modelo es gemini-3.5-live-translate-preview. La conexión se realiza mediante WebSocket de la Live API, directamente o a través del SDK GenAI para Python y JavaScript, transmitiendo audio en ambos sentidos. Una configuración mínima en Python sería esta:
from google import genai
from google.genai import types
client = genai.Client()
config = types.LiveConnectConfig(
response_modalities=["AUDIO"],
translation_config=types.TranslationConfig(
target_language_code="es-US", # BCP-47 target
output_audio_transcription={}, # also return text
),
)
async with client.aio.live.connect(
model="gemini-3.5-live-translate-preview", config=config
) as session:
await session.send_realtime_input(audio=mic_chunk) # 16 kHz PCM, ~100 ms
async for msg in session.receive():
play(msg.data) # 24 kHz translated audioAntes de depurar cualquier otro problema, conviene acertar con el formato de audio. La entrada debe ser PCM sin procesar de 16 bits a 16 kHz, mono y little-endian; la salida llega como PCM sin procesar de 16 bits a 24 kHz, también en mono. Envía el audio del micrófono en fragmentos de unos 100 ms. El comportamiento de traducción se define mediante un bloque translationConfig (consulta la referencia completa en la documentación de Google):
targetLanguageCode: código BCP-47 del idioma de salida que quieres obtener (obligatorio).echoTargetLanguage: indica si debe repetir el audio que ya está en el idioma de destino.inputAudioTranscription/outputAudioTranscription: actívalos para recibir también transcripciones de texto del audio entrante y saliente.
Al ser un modelo centrado en traducción, buena parte de las capacidades generales de Gemini están desactivadas: no hay llamadas a funciones, razonamiento, salidas estructuradas, caché ni grounding con búsqueda. Solo recibe audio y devuelve audio traducido, con transcripciones opcionales. Las sesiones usan tokens efímeros con una ventana de expiración de 30 minutos, un detalle importante si vas a entregar credenciales a un cliente de navegador.
Precios de Gemini 3.5 Live Translate
Durante la vista previa pública existe un nivel gratuito real: tanto la entrada como la salida no tienen coste, dentro de los límites de tasa habituales de una preview. Es suficiente para prototipar todo el flujo antes de comprometer presupuesto.
En el nivel de pago, la facturación se calcula por token de audio, a razón de 25 tokens por segundo de audio:
| Modelo | Entrada (por 1M de tokens) | Salida (por 1M de tokens) |
|---|---|---|
| Gemini 3.5 Live Translate | $3.50 (~$0.0053/min) | $21.00 (~$0.0315/min) |
| Gemini 3.1 Flash Live | $3.00 (~$0.005/min) | $12.00 (~$0.018/min) |
| Gemini 2.5 Flash Native Audio | $3.00 | $12.00 |
Sumando entrada y salida, Live Translate cuesta aproximadamente $0.037 por minuto de audio traducido. Ten en cuenta que el cálculo es por flujo de audio: una conversación bidireccional de 30 minutos factura tanto el flujo entrante como el saliente. Conviene presupuestar alrededor de uno o dos dólares, no tratarlo como una tarifa fija por llamada. Existe el modelo más económico Gemini 3.1 Flash Live, pero es un modelo generalista de audio en vivo, no uno afinado para la traducción de baja latencia que conserva la entonación. La diferencia de precio paga calidad de traducción, no solo tokens. Las cifras proceden de la página de precios para desarrolladores de Google, consultada el 15 de julio de 2026.
Limitaciones que conviene considerar
La propia ficha de modelo de Google es sorprendentemente clara al respecto. Son limitaciones reales que merece la pena prever.
La voz sintetizada puede ser inconsistente. Tras pausas largas puede cambiar, parecer de otro género o quedarse fijada en una sola voz durante intercambios rápidos entre varios hablantes. Por eso, una reunión ágil con cuatro personas supone más estrés para el sistema que una conversación tranquila entre dos. La detección de idioma es otro punto delicado: le cuestan los acentos extranjeros marcados, los idiomas muy próximos entre sí y los cambios rápidos de idioma a mitad de frase. El ruido de fondo se filtra, pero no de forma perfecta, y un entorno muy ruidoso puede introducir artefactos en el audio traducido. Por último, la vista previa de la API solo acepta entrada de audio, sin una vía de texto de entrada, y todo el servicio sigue teniendo estatus de preview, por lo que su comportamiento y disponibilidad pueden cambiar.
Nada de esto debería ser un obstáculo definitivo para una conversación privada y silenciosa. Sí son aspectos que conviene probar antes de desplegarlo en una sala de conferencias ruidosa o en un centro de llamadas.
Qué opción elegir según el caso
Si estás decidiendo qué usar, estas tres preguntas ayudan a separar los escenarios:
- ¿Conversación informal en persona, con ambos usando el móvil? La versión de Google Translate es gratuita y no requiere configuración. Es la elección evidente.
- ¿Una reunión con varios idiomas? La traducción empresarial de Google Meet es el camino, cuando tu organización tenga acceso a la vista previa.
- ¿Quieres incorporar traducción en tu propio producto? La Live API es la única alternativa que ofrece control programático, y los precios anteriores son la referencia para tu presupuesto.
Frente al antiguo enfoque por turnos —hablar, esperar el pitido y escuchar—, el modelo continuo supone un cambio real en la fluidez de la conversación. Frente a un intérprete humano, es mucho más barato y está disponible de inmediato en decenas de idiomas. Sin embargo, un profesional sigue siendo superior en matices, expresiones idiomáticas y precisión en contextos críticos, algo que dejan claro las limitaciones anteriores.
Si vas a integrarlo en un producto, recuerda que la capa de voz y la de texto se facturan por separado: la traducción procede de la Live API de Google, mientras que cualquier resumen o extracción posterior de tareas se ejecuta con un modelo de texto que eliges de forma independiente, donde el precio de las API varía mucho según el proveedor.
Lecturas relacionadas
- Guía de precios y API de Gemini Omni Flash para conocer el otro modelo multimodal en tiempo real de Google.
- Precios de OpenAI Realtime API si comparas costes por minuto entre proveedores de voz en directo.
Preguntas frecuentes
¿Cómo activo la traducción en vivo en Google Translate?
Abre la aplicación Google Translate en Android o iOS, selecciona el modo Live o conversación y elige tus dos idiomas, o deja que la app los detecte automáticamente. En Android, activa el modo de escucha para oír la traducción por el auricular.
¿Cuántos idiomas admite Gemini 3.5 Live Translate?
Detecta automáticamente más de 70 idiomas y, en entornos de grupo, puede gestionar más de 2.000 pares de idiomas dentro de una sola conversación.
¿Gemini 3.5 Live Translate es gratis?
Sí. Hay un nivel gratuito tanto para la entrada como para la salida. El uso de pago mediante la Live API cuesta aproximadamente $0.037 por minuto de audio ($3.50 por 1M de tokens de entrada y $21.00 por 1M de tokens de salida).
¿Puedo usarlo en iPhone y Android?
Sí. El despliegue de Google Translate cubre tanto iOS como Android, aunque el modo de escucha por auricular es una función de Android en el lanzamiento.
¿Qué ocurre si detecta el idioma equivocado?
Como la detección es automática, los acentos marcados, los idiomas parecidos o los cambios rápidos de idioma pueden provocar una identificación errónea durante la conversación. La voz traducida también puede variar o cambiar de género tras pausas largas. En una charla tranquila entre dos personas rara vez falla, pero en un contexto ruidoso o con varios hablantes rápidos conviene probarlo antes de depender de él.
Para conversaciones personales, elige la app Translate; para equipos multilingües, Meet; y para integrar traducción en software bajo tu control, la Live API. En cualquier caso, crea un prototipo con el nivel gratuito antes de comprometerte.