あなたが、あなたの言語を話さない相手と会話の途中にいるとき、二人ともスマートフォンが追いつくのを待って止まる代わりに、翻訳が数秒後に相手の耳に届き、あなたの話すテンポやトーンを保った声で伝わる。これが Gemini 3.5 Live Translate です。Google が 2026年6月9日に発表した、70以上の言語に対応するリアルタイムの音声対音声翻訳モデルです。現在は、Google Translate アプリ、Google Meet、そして開発者向けの Gemini Live API の3か所で利用できます。無料枠があり、有料利用は音声1分あたり約 $0.037 です。従来の「話す、待つ、聞く」という翻訳の流れを使ったことがあるなら、ここでの変化は、会話を止める必要がなくなったことです。
Gemini 3.5 Live Translate とは実際には何か
Google はこれを、古いツールのような「文字起こししてから読み上げる」方式ではなく、翻訳された音声を直接ストリーミングする audio-to-audio モデルだと説明しています。従来のツールでは、音声をテキストに変換し、テキストを翻訳し、その後 text-to-speech を実行しており、そのたびに遅延が発生していました。Gemini 3.5 Live Translate は、音声をストリーミングしながら処理し、翻訳音声を継続的に出力するため、文末まで待つのではなく、話者より数秒遅れる程度で追従します。
基本的な翻訳ツールと一線を画す点は3つあります。話されている言語を自動的に検出するため、1回の会話で70以上の言語をまたいでやり取りでき、グループ設定では誰も設定を変更することなく2,000通り以上の言語の組み合わせに対応できます。話し手のイントネーション、話す速さ、ピッチを保持するため、出力は機械的な読み上げではなく人間のように聞こえます。また、生成される音声はすべて、AI生成メディアを識別するGoogleのツールであるSynthIDで透かしが入れられています。DeepMind model cardによると、これはGemini 3 Proアーキテクチャ上に構築されており、入力ウィンドウは131,072トークンです。
今すぐ使える場所
Gemini 3.5 Live Translate は単一の製品ではありません。これは 3 つの異なる場所で提供される 1 つのモデルであり、どれを指すかによって、あなたがそれを「使う」方法は異なります。
Google 翻訳アプリで
日常利用向けには、Android と iOS の Google 翻訳アプリで世界中に順次展開されています。Live translate モードを開き、言語を選ぶか自動検出に任せて話しかけます。Android では新しいリスニングモードがあり、翻訳をスマートフォンの受話口から再生するため、1対1の会話では、電話をやり取りするというより、通訳者のヘッドセットを装着しているような感覚に近くなります。
Google Meet で
Google Meet 内では、このモデルによって提供される音声翻訳が、エンタープライズ顧客向けにプライベートプレビューとして提供されています。その飛躍は大きく、Meet の以前の翻訳はおおよそ5言語をサポートしていたのに対し、新しいバージョンでは、1回の会議で70以上の言語と2,000以上の言語ペアに対応しています。各参加者は、それぞれの言語で会話を聞きながら、人々は話し続けます。
Gemini Live API を通じて
開発者向けには、このモデルは Gemini Live API と Google AI Studio でパブリックプレビューとして利用できます。これは、自分のアプリ、コールセンター、またはストリーミング製品に翻訳機能を組み込む場合の方法です。Google はすでに、Agora、LiveKit、Fishjam、Pipecat、Vision Agents などのリアルタイム音声プラットフォームとの統合を用意しており、Grab は月間1,000万件以上の音声通話を処理するネットワーク上で、ドライバーと乗客の通話向けにこれをテストしています。
Live API を呼び出す
モデルIDは gemini-3.5-live-translate-preview です。Live API の WebSocket に接続し（直接、または Python と JavaScript 向けの GenAI SDK 経由で）、音声を双方向にストリーミングします。最小限の Python のセットアップは次のようになります:
```python 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={}, # también devolver texto ), )
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, 約100 ms async for msg in session.receive(): play(msg.data) # 24 kHz 翻訳音声 ```
音声フォーマットは特有のもので、他の点をデバッグする前に正しく設定しておく価値があります。入力は 16 kHz、モノラル、リトルエンディアンの生の 16 ビット PCM で、出力は 24 kHz、モノラルの生の 16 ビット PCM として返されます。マイク音声はおおよそ 100 ms のチャンクで送信してください。翻訳の動作は translationConfig ブロックで設定します（Google のドキュメントにある完全なリファレンス）：
targetLanguageCode: 出力したい BCP-47 コード（必須）。echoTargetLanguage: すでにターゲット言語である音声を繰り返すかどうか。inputAudioTranscription/outputAudioTranscription: これらをオンにすると、入力された内容と出力された内容のテキスト書き起こしも受け取れます。
これは翻訳に特化したモデルであるため、一般的な Gemini toolkit の多くは無効になっています。function calling、thinking、structured outputs、caching、search grounding はありません。音声を入力として受け取り、翻訳された音声（およびオプションのトランスクリプト）を出力するだけで、それ以外は何も行いません。セッションでは 30 分の有効期限を持つ ephemeral tokens を使用するため、ブラウザクライアントに credentials を渡す場合は重要です。
Gemini 3.5 Live Translate の料金
公開プレビュー期間中は、真の無料ティアがあります。入力と出力は無料です（通常のプレビューのレート制限は適用されます）。そのため、本番導入を決める前に、フロー全体をプロトタイプ化するには十分です。
有料プランでは、課金は音声1秒あたり25トークンの音声トークン単位で行われます:
| モデル | 入力（1Mトークンあたり） | 出力（1Mトークンあたり） |
|---|---|---|
| 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 |
総合すると、Live Translate の費用は翻訳音声 1分あたり約 $0.037 です。これはオーディオストリームごとの料金である点に注意してください。30分の双方向会話では、受信と送信の両方のストリームに課金されるため、通話1回あたりの一律料金として扱うのではなく、1ドルか2ドル程度を見込むのが適切です。より安価な Gemini 3.1 Flash Live モデルもありますが、これは一般的なライブ音声モデルであり、このモデルが想定している、イントネーションを保ちながら低遅延で翻訳する用途向けに調整されたものではありません。価格差で得られるのは、単なるトークンではなく翻訳品質です。数値は Google's developer pricing page に基づいており、2026年7月15日時点で確認されています。
それに頼る前に知っておく価値のある限界
Google自身のモデルカードはここでは異例なほど率直であり、これらは退けるのではなく、計画を立てるうえで十分現実的です。
合成音声は一貫しないことがあります。長い間の間が空くと変わったり、見かけの性別が変化したり、複数の話者が素早くやり取りする場面では一つの声に固定されてしまったりするため、落ち着いた2人の会話よりも、テンポの速い4人の会議のほうが負荷がかかります。言語検出も弱点のひとつで、強い非ネイティブ訛り、近い言語同士、文の途中での素早い言語切り替えには苦戦します。背景ノイズはフィルタリングされますが、完全ではなく、強いノイズは翻訳された音声にアーティファクトを生じさせることがあります。最後に、APIプレビューは現在音声入力のみを受け付けており、テキスト入力の経路はありません。また全体がプレビュー状態のため、動作や提供状況は今後変更される可能性があります。
これらはいずれも、静かな1対1の会話では致命的な問題ではありません。騒がしい会議室やコールセンターで使う前にテストしておくべき項目です。
他の選択肢と比べてどうか
何を手に取るべきか選んでいるなら、次の3つの質問で整理できます:
- カジュアルな対面会話で、両者ともスマホを使っている場合？ Google Translate アプリ版は無料で、設定も不要です。これが明らかな選択です。
- 多言語の会議ですか？ 組織がプレビューにアクセスできるようになれば、Google Meet の企業向け翻訳がその道になります。
- 自社製品に翻訳機能を組み込みたいですか？ Live API は、プログラムによる制御を提供する唯一の選択肢であり、上記の料金が予算の基準になります。
従来のターン制アプローチ（話す、ビープ音を待つ、聞く）と比べると、連続モデルは会話の流れにおける大きな飛躍です。人間の通訳者と比べると、はるかに低コストで、何十もの言語で即座に利用できますが、ニュアンス、慣用表現、そして重要な場面での正確さでは依然として専門の通訳者に軍配が上がります。上記の制約がそれを明確に示しています。
これを製品に組み込む場合は、音声レイヤーとテキストレイヤーは別々の請求になることを覚えておいてください。翻訳は Google の Live API から提供され、続く要約やアクションアイテムの抽出は、独自に選んだテキストモデル上で実行されます。API の価格はプロバイダーによって大きく異なります。
関連資料
- Gemini Omni Flashの料金とAPIガイドは、Googleの他のリアルタイムマルチモーダルモデル向けです。
- OpenAI Realtime APIの料金は、ライブ音声プロバイダー間で分単位のコストを比較している場合にご覧ください。
よくある質問
Google Translate でライブ翻訳を有効にするにはどうすればよいですか?
Android または iOS で Google Translate アプリを開き、Live または会話モードを選択し、2 つの言語を指定するか、アプリに自動検出させます。Android では、リスニングモードをオンにすると、受話部を通じて翻訳を聞くことができます。
Gemini 3.5 Live Translate は何言語をサポートしていますか？
70以上の言語を自動的に検出し、グループ環境では1回の会話内で2,000を超える言語ペアに対応できます。
Gemini 3.5 Live Translate は無料ですか？
はい、入力と出力の両方に無料枠があります。Live API の有料利用料金は、音声 1 分あたり約 $0.037（入力トークン 100 万件あたり $3.50、出力トークン 100 万件あたり $21.00）です。
iPhoneとAndroidで使えますか？
はい。Google Translateアプリの展開はiOSとAndroidの両方を対象としていますが、イヤピースでのリスニングモードはリリース時点ではAndroidの機能です。
誤った言語を検出した場合はどうなりますか？
検出は自動なので、強い訛り、近縁の言語、または素早い言語切り替えによって、会話の途中で誤った推測が行われることがあり、長い間が空いた後には翻訳音声がずれたり、性別が変わったりすることもあります。静かな1対1の場面では、誤作動することはめったにありませんが、騒がしい環境や複数話者が素早くやり取りする場面では、頼る前にテストしてください。
個人的な会話には Translate アプリを、複数言語のチームには Meet を、そして自分で管理するソフトウェア内で翻訳が必要な場合は Live API を選んでください。どれを選ぶ場合でも、導入を決める前に無料枠で試作しましょう。