AIREITER

Gemini 3.5 Live Translate：運作方式與價格

最近更新: 2026-07-29 12:29:14

和不同語言的人交談時，最容易打斷節奏的往往不是聽不懂，而是每說一句都得停下來等手機完成翻譯。Gemini 3.5 Live Translate 想解決的正是這件事：你說話後幾秒，對方就能聽到譯文，而且聲音仍盡量保留原本的語氣與節奏。Google 於 2026 年 6 月 9 日宣布這項音訊對音訊模型，可在 70 多種語言間進行即時口語翻譯。目前它出現在三個地方：Google Translate app、Google Meet，以及供開發者使用的 Gemini Live API。服務設有免費層級，付費用量約為每分鐘音訊 $0.037。相較於過去「說完、等待、再聽譯文」的流程，這次的關鍵改變是對話不必再一再停頓。

兩位來自不同文化背景的人透過 Gemini 3.5 Live Translate 進行即時翻譯對話

Gemini 3.5 Live Translate 到底是什麼？

Google 將它定位為直接串流譯出語音的音訊對音訊模型，而不是傳統工具常見的「先轉文字、再翻譯、最後語音朗讀」流程。舊式做法必須依序完成語音辨識、文字翻譯與文字轉語音，每一層都會增加等待時間。Gemini 3.5 Live Translate 則會在音訊持續傳入時同步處理與輸出翻譯語音，不必等你講完整句話，只會落後原話幾秒鐘。

它和一般翻譯工具的差異主要有三點。第一，它會自動辨識正在說的語言，因此同一段對話可以跨越 70 多種語言；在多人情境中，更可涵蓋超過 2,000 種語言組合，使用者不需要手動切換設定。第二，系統會保留說話者的語調、節奏與音高，讓輸出更接近真人說話，而非機械式朗讀。第三，所有產生的音訊都會加入 SynthID 浮水印，這是 Google 用來標記 AI 生成媒體的工具。依據其 DeepMind 模型卡，此模型建構於 Gemini 3 Pro 架構之上，輸入視窗為 131,072 tokens。

目前可以在哪裡使用？

Gemini 3.5 Live Translate 並不是單一獨立產品，而是一個透過三種服務呈現的模型。實際使用方式，要看你選擇的是哪個入口。

Google Translate app：日常面對面對話

面向一般使用者，它正陸續在 Android 與 iOS 的 Google Translate app 全球推出。開啟 Live translate 模式後，選擇語言或交由系統自動辨識，接著直接說話即可。Android 另加入新的聆聽模式，譯文會從手機聽筒播放；一對一談話時，體驗更像戴著口譯耳機，而不是不停把手機遞來遞去。

Google Meet：企業多語會議

在 Google Meet 中，採用此模型的語音翻譯目前正向企業客戶提供私人預覽。升級幅度很明顯：Meet 過去的翻譯大約支援五種語言，新版則擴大到 70 多種語言，以及單場會議內超過 2,000 種語言配對。與會者可各自以自己的語言聆聽內容，同時不必要求所有人輪流停下來說話。

Gemini Live API：整合到自家產品

對開發者而言，這個模型已在 Gemini Live API 和 Google AI Studio 以公開預覽形式提供。若要將即時翻譯做進自家 app、客服中心或串流產品，這就是要走的路徑。Google 已與 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents 等即時音訊平台安排整合；Grab 也正在測試將它用於司機與乘客通話，其網路每月處理超過 1,000 萬通語音電話。

如何呼叫 Live API

模型 ID 為 gemini-3.5-live-translate-preview。你可直接透過 Live API 的 WebSocket 連線，或使用 Python、JavaScript 的 GenAI SDK，雙向串流傳送與接收音訊。以下是一個最精簡的 Python 設定範例：

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 audio

音訊格式有明確規格，在除錯其他問題前，最好先確定這部分無誤。輸入須為原始 16-bit PCM、16 kHz、單聲道、little-endian；輸出則為原始 16-bit PCM、24 kHz、單聲道。麥克風音訊建議以約 100 ms 為單位分段傳送。翻譯行為則透過 translationConfig 區塊設定，完整參考資料請見 Google 文件：

  • targetLanguageCode：指定輸出語言的 BCP-47 代碼，為必填欄位。
  • echoTargetLanguage：決定是否重複播放本來就已經是目標語言的音訊。
  • inputAudioTranscription / outputAudioTranscription：開啟後可額外取得輸入與輸出內容的文字逐字稿。

由於這是專注於翻譯的模型，許多通用 Gemini 功能都不支援：沒有 function calling、thinking、structured outputs、caching，也沒有 search grounding。它只接收音訊、輸出翻譯後的音訊與可選的逐字稿，沒有其他用途。工作階段使用 ephemeral tokens，效期為 30 分鐘；若要將憑證交給瀏覽器端客戶端，這一點尤其需要留意。

Gemini 3.5 Live Translate 價格

公開預覽期間確實提供免費層級：輸入與輸出皆不收費，但仍受一般預覽版速率限制。這已足夠讓你在正式投入前，先完成整個流程的原型驗證。

Google AI for Developers 官方 Gemini 3.5 Live Translate 價格表，顯示免費與付費層級

進入付費層級後，音訊以每秒 25 tokens 計算，並按音訊 token 計費：

模型輸入（每 100 萬 tokens）輸出（每 100 萬 tokens）
Gemini 3.5 Live Translate$3.50（約 $0.0053/分鐘）$21.00（約 $0.0315/分鐘）
Gemini 3.1 Flash Live$3.00（約 $0.005/分鐘）$12.00（約 $0.018/分鐘）
Gemini 2.5 Flash Native Audio$3.00$12.00

合計來看，Live Translate 的翻譯音訊成本約為每分鐘 $0.037。要注意，這是每一條音訊串流的價格：30 分鐘的雙向對話，傳入與傳出的串流都會計費，因此預算應抓約一、兩美元，而不是把它視為固定的單通電話費。較便宜的 Gemini 3.1 Flash Live 雖然存在，但它是通用型即時音訊模型，並非為這款模型所強調的低延遲、保留語調翻譯而調校。兩者的價差買到的是翻譯品質，不只是更多 tokens。以上數字來自 Google 開發者價格頁面，查核日期為 2026 年 7 月 15 日。

正式依賴前，先了解這些限制

Google 自己的模型卡對限制說得相當坦率，這些問題也確實值得納入部署規劃，而不是直接忽略。

合成語音可能出現不一致情況。長時間停頓後，聲音可能改變；聽起來的性別可能不同；多人快速交談時，系統也可能卡在同一種聲線。因此，節奏快速的四人會議比平靜的一對一談話更容易讓它承受壓力。語言辨識也是另一個較弱環節：明顯的非母語口音、相近語言，以及一句話中快速切換語言，都可能造成困難。系統會過濾背景噪音，但不是完美無缺；嚴重噪音可能在翻譯音訊中帶來失真。最後，目前 API 預覽版只接受音訊輸入，沒有文字輸入路徑，而且整項服務仍處於預覽狀態，行為與可用性都可能繼續調整。

在安靜的一對一對話中，這些通常不至於構成致命問題；但在嘈雜的會議室或客服中心正式上線前，務必先實測。

和其他選項相比，該怎麼選？

若你正在決定該用哪一種方式，以下三個情境就能快速區分：

  • 輕鬆的面對面談話，雙方都有手機？Google Translate app 版本免費且不需設定，是最直覺的選擇。
  • 需要處理多語言會議？等組織取得預覽資格後，Google Meet 的企業翻譯功能會是適合的路徑。
  • 要將翻譯功能嵌入自家產品？只有 Live API 能提供程式化控制，而上面的費率就是你需要納入預算的成本。

相較於舊式輪流翻譯流程，也就是說完、等待提示音、再聽譯文，連續串流模式確實大幅改善了交談流暢度。若拿來和真人口譯相比，它便宜得多，也能立即支援數十種語言；不過在細微語意、慣用語與高風險情境的精準度上，專業口譯員仍然更勝一籌，前述限制也清楚說明了原因。

若你要將它整合進產品，請記得語音層與文字層是分開計費的。翻譯由 Google 的 Live API 處理；後續若要做摘要或擷取待辦事項，則要另外選擇文字模型，而不同供應商的 API 價格差異很大。

延伸閱讀

常見問題

如何在 Google Translate 啟用即時翻譯？

在 Android 或 iOS 開啟 Google Translate app，選擇 Live 或對話模式，再選擇兩種語言，或讓 app 自動辨識。Android 使用者可開啟聆聽模式，透過聽筒收聽翻譯內容。

Gemini 3.5 Live Translate 支援多少種語言？

它可自動辨識 70 多種語言；在多人情境中，單一對話可處理超過 2,000 種語言配對。

Gemini 3.5 Live Translate 是免費的嗎？

是。輸入與輸出都有免費層級。Live API 的付費使用成本約為每分鐘音訊 $0.037，亦即每 100 萬輸入 tokens 為 $3.50、每 100 萬輸出 tokens 為 $21.00。

iPhone 和 Android 都能使用嗎？

可以。Google Translate app 的推出範圍涵蓋 iOS 與 Android，但上市時透過聽筒收聽的聆聽模式僅限 Android。

如果系統辨識錯誤語言，會怎樣？

由於語言辨識是自動進行，明顯口音、相近語言或快速切換語言，都可能讓系統在對話途中判斷錯誤。長時間停頓後，翻譯語音也可能改變聲線或性別感。在安靜的一對一情境下，這類問題較少出現；但如果是吵雜環境，或多人快速交談的場合，請先測試再依賴它。

個人對話選 Google Translate app，多語團隊會議選 Meet，需要在自己掌控的軟體內加入翻譯則選 Live API。無論採用哪一種，正式投入前都應先利用免費層級做原型測試。