你正在和一位不共用你語言的人進行到一半的對話，而不是你們兩人都停下來等待手機反應，翻譯會在幾秒後以保留你語速與語氣的聲音傳到對方耳中。這就是 Gemini 3.5 Live Translate 的作用。由 Google 於 2026 年 6 月 9 日宣布，這是 Google 的 audio-to-audio 模型，用於支援超過 70 種語言的即時口語翻譯。它目前出現在三個地方：Google Translate 應用程式、Google Meet，以及供開發者使用的 Gemini Live API。它提供免費方案，而付費使用費用約為每分鐘音訊 $0.037。如果你曾用過舊式的「說、等、聽」翻譯流程，這裡的變化在於對話不再需要中斷。
Gemini 3.5 Live Translate 實際上是什麼
Google 將其描述為一種 audio-to-audio 模型，能直接串流翻譯語音，而不是像舊工具那樣先轉錄再朗讀。那些舊工具會先將你的語音轉成文字，翻譯文字，再執行文字轉語音，而每一次轉換都會增加停頓。Gemini 3.5 Live Translate 在音訊串流時進行處理，並持續輸出翻譯後的音訊，始終落後你幾秒，而不是等你把一句話說完。
有三個特點讓它有別於基本翻譯器。它會自動偵測正在說的語言，因此一段對話就能跨越 70 多種語言，而且在群組情境下可支援 2,000 多種語言組合，無需任何人更改設定。它會保留說話者的語調、節奏和音高，因此輸出聽起來像真人，而不是機械式朗讀。它產生的每一段音訊都會以 SynthID 加上浮水印，這是 Google 用來標記 AI 生成媒體的工具。根據其 DeepMind model card，它是建立在 Gemini 3 Pro 架構之上，並具有 131,072 token 的輸入視窗。
你現在可以在哪裡使用它
Gemini 3.5 Live Translate 不是單一產品。它是在三個不同地方呈現的同一個模型，而你如何「使用」它，取決於你指的是哪一個。
在 Google 翻譯應用程式中
對於日常使用，它正於 Android 和 iOS 的 Google Translate 應用程式中全球推出。你打開即時翻譯模式，選擇或讓它偵測語言，然後開始說話。在 Android 上有一個新的聆聽模式，會透過手機的聽筒播放翻譯內容，因此一對一對話的感覺更像是戴著口譯員的耳機，而不是把手機來回遞來遞去。
在 Google Meet 中
在 Google Meet 中，由此模型驅動的語音翻譯目前正以私人預覽形式提供給企業客戶。這次躍進相當顯著：Meet 先前的翻譯功能大約只支援五種語言，而新版本在同一場會議中將支援擴展到 70 多種語言與 2,000 多種語言配對。每位參與者都能以自己的語言聆聽討論，而大家則可繼續交談。
透過 Gemini Live API
對於開發者來說，這個模型已在 Gemini Live API 和 Google AI Studio 中公開預覽。如果您正在將翻譯功能建置到自己的應用程式、客服中心或串流產品中，這就是適合的途徑。Google 已經與即時音訊平台完成整合，包括 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents，而 Grab 正在測試將其用於駕駛與乘客之間的通話，這個網路每月處理超過 1000 萬通語音通話。
呼叫 Live API
模型 ID 是 gemini-3.5-live-translate-preview。您可透過 Live API 的 WebSocket 連線（直接連線，或透過適用於 Python 和 JavaScript 的 GenAI SDK），並雙向串流音訊。最簡單的 Python 設定如下：
```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 目標 output_audio_transcription={}, # 也回傳文字 ), )
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 ```
音訊格式是特定的，而且在除錯其他任何事情之前就值得先正確設定。輸入為原始 16 位元 PCM，16 kHz，單聲道，小端序；輸出則會以原始 16 位元 PCM，24 kHz，單聲道返回。請以約 100 毫秒的區塊傳送麥克風音訊。翻譯行為是透過 translationConfig 區塊設定（Google 文件中的完整參考）：
targetLanguageCode：您希望輸出的 BCP-47 代碼（必填）。echoTargetLanguage：是否重複已經是目標語言的音訊。inputAudioTranscription/outputAudioTranscription：開啟這些選項也可接收輸入內容與輸出內容的文字轉錄。
由於這是一個以翻譯為重點的模型，許多通用的 Gemini 工具組都已關閉：沒有 function calling、沒有 thinking、沒有 structured outputs、沒有 caching、沒有 search grounding。它接收音訊並輸出翻譯後的音訊（以及可選的逐字稿），除此之外沒有其他功能。Session 使用具有 30 分鐘到期視窗的 ephemeral token，如果你要將憑證交給瀏覽器用戶端，這一點就很重要。
Gemini 3.5 即時翻譯定價
在公開預覽期間，確實有免費方案：輸入和輸出皆免費（但仍受一般預覽速率限制），這已足以讓你在正式採用前先原型化整個流程。
在付費方案中，計費是以音訊 token 計算，每秒音訊為 25 個 token：
| 模型 | 輸入（每 1M tokens） | 輸出（每 1M 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 |
合計來看，Live Translate 的成本大約是每分鐘 $0.037 的翻譯音訊。請注意，這是以每個音訊串流計費：一場 30 分鐘的雙向對話會同時計入傳入與傳出串流，因此預算上應以一到兩美元的量級來估算，而不是把它當作固定的每通電話費用。較便宜的 Gemini 3.1 Flash Live 模型確實存在，但它是一個通用的即時音訊模型，並非針對這款產品所設計的、能保留語調且低延遲的翻譯進行調校。這個價差換來的是翻譯品質，而不只是 tokens。數據來自 Google's developer pricing page，於 2026 年 7 月 15 日查核。
在依賴它之前，值得先了解的限制
Google 自家的 model card 在這裡相當坦率，這些內容也夠真實，值得納入規劃，而不是直接忽視。
合成語音可能會不一致。它在長時間停頓後可能會變化、改變表面性別，或在快速的多說話者對話中卡在同一個聲音上，因此，一場快速的四人會議比平靜的雙人聊天更容易對它造成壓力。語言偵測是另一個弱點：它在處理口音很重的非母語口音、彼此高度相近的語言，以及在句中快速切換語言時表現吃力。背景噪音會被過濾，但並非完全如此，而嚴重的噪音可能會在翻譯後的音訊中引入雜訊。最後，目前 API preview 只接受音訊輸入，沒有文字輸入路徑，而且整體仍處於 preview 狀態，這表示行為和可用性仍可能變更。
這些都不是安靜的一對一對話中的致命問題。在你把它用於吵雜的會議室或客服中心之前，這些都是需要先測試的項目。
與其他選項相比，它的表現如何
如果你正在選擇要伸手拿什麼，三個問題就能理清楚：
- 輕鬆的面對面、兩個人都在看手機？ Google Translate 應用程式版本是免費的，而且無需設定。這是最明顯的選擇。
- 多語言會議？ 一旦你的組織取得預覽存取權，Google Meet 的企業翻譯就是可行方案。
- 要把翻譯整合到你自己的產品中？ Live API 是唯一能讓你進行程式化控制的選項，而上面的價格就是你要用來編列預算的依據。
相較於較舊的輪流對話方式（說話、等待嗶聲、聆聽），連續式模型在對話流暢度上是真正的重大變革。相較於人工口譯，它便宜得多，且能立即提供數十種語言的服務；但在細膩語意、慣用語，以及高風險情境下的準確性方面，專業口譯員仍更勝一籌，而上述限制也已清楚說明了這一點。
如果您要將此整合進產品中，請記住語音層與文字層是分開計費的：翻譯來自 Google 的 Live API，而之後任何摘要或待辦事項擷取則是在您獨立選擇的文字模型上執行，其中 API pricing varies widely by provider。
相關閱讀
- Gemini Omni Flash 定價與 API 指南，適用於 Google 的另一個即時多模態模型。
- OpenAI Realtime API 定價，如果您正在比較各家即時語音供應商的每分鐘成本。
常見問題
如何在 Google 翻譯中啟用即時翻譯？
在 Android 或 iOS 上開啟 Google 翻譯應用程式，選擇即時或對話模式，然後選取你的兩種語言，或讓應用程式自動偵測。在 Android 上，開啟聆聽模式即可透過聽筒收聽翻譯。
Gemini 3.5 Live Translate 支援多少種語言？
它會自動偵測超過 70 種語言，而且在群組場景中，它能在單一對話中處理超過 2,000 種語言配對。
Gemini 3.5 Live Translate 是免費的嗎？
是的，輸入和輸出都有免費方案。Live API 的付費使用費用約為每分鐘音訊 $0.037（每 1M 輸入 tokens 為 $3.50，每 1M 輸出 tokens 為 $21.00）。
我可以在 iPhone 和 Android 上使用它嗎？
是的。Google 翻譯應用程式的推出涵蓋 iOS 和 Android，但耳機收聽模式在推出時是 Android 的功能。
當它偵測到錯誤的語言時會發生什麼？
由於偵測是自動的，濃重口音、相近語言，或快速切換語言都可能在對話中途造成錯誤判斷，而在長時間停頓後，翻譯語音也可能會改變或切換性別。在安靜的一對一情境中，這種情況很少發生；但在吵雜或多人快速交談的環境中，請先測試後再依賴它。
個人對話請選擇 Translate 應用程式；多語言團隊請選擇 Meet；當您需要在自己控制的軟體中進行翻譯時，請使用 Live API。無論您選哪一個，都建議先在免費方案上進行原型測試，再正式投入。