你正在与一个不说你语言的人进行半句话的对话，而不是你们双方都停下来等手机处理，翻译会在几秒后传入对方耳中，且声音还保留了你的语速和语气。这就是 Gemini 3.5 Live Translate 的作用。由 Google 于 2026 年 6 月 9 日宣布，它是 Google 面向实时口语翻译的音频到音频模型，支持 70 多种语言。如今它出现在三个地方：Google Translate 应用、Google Meet，以及面向开发者的 Gemini Live API。它有免费层，付费使用每分钟音频大约 $0.037。如果你用过那种旧式的“说、等、听”翻译流程，这里的变化在于对话不再需要中断。
Gemini 3.5 实时翻译究竟是什么
Google 将其描述为一种音频到音频的模型，它直接流式传输翻译后的语音，而不是像旧工具那样先转录再朗读。那些旧工具会先把你的语音转换为文本，翻译文本，然后再进行文本转语音，而每一步都会增加停顿。Gemini 3.5 Live Translate 在音频流式传输时进行处理，并持续输出翻译后的音频，始终比你慢几秒，而不是等你说完一句话。
它与基础翻译器有三点不同。它会自动检测正在说的语言，因此一场对话可以跨越 70 多种语言，在群组场景中可支持 2,000 多种语言组合，而无需任何人更改设置。它会保留说话者的语调、节奏和音高，因此输出听起来像真人，而不是机械式播报。而且它生成的每一段音频都带有 SynthID 水印，这是 Google 用于标记 AI 生成媒体的工具。根据其DeepMind 模型卡，它基于 Gemini 3 Pro 架构构建，输入窗口为 131,072 个 token。
你现在可以在哪里使用它
Gemini 3.5 Live Translate 不是单一产品。它是同一个模型在三个不同场景中的呈现，而你如何“使用”它取决于你指的是哪一种。
在 Google 翻译应用中
对于日常使用，它正在 Android 和 iOS 上的 Google Translate 应用中全球推出。你打开 Live translate 模式，选择语言或让它自动检测，然后开始说话。在 Android 上，有一种新的监听模式，会通过手机的听筒播放翻译内容，因此一对一对话更像是戴着口译员耳机，而不是来回传递手机。
在 Google Meet 中
在 Google Meet 中，由该模型驱动的语音翻译目前面向企业客户处于私人预览阶段。此次跃升意义重大：Meet 早先的翻译功能大约只支持五种语言，而新版本将这一数字提升到 70 多种语言和 2,000 多种语言对，并且可在同一场会议中实现。每位参会者都能用自己的语言听到讨论内容，而发言者则可继续说话。
通过 Gemini Live API
对于开发者而言，该模型已在 Gemini Live API 和 Google AI Studio 中进入公开预览阶段。如果你要在自己的应用、呼叫中心或流媒体产品中构建翻译功能，这就是合适的途径。Google 已经与实时音频平台建立了集成，包括 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents；Grab 也正在测试将其用于司机与乘客通话，覆盖一个每月处理超过 1000 万通语音通话的网络。
调用 Live API
模型 ID 是 gemini-3.5-live-translate-preview。你通过 Live API 的 WebSocket 连接（可直接连接，或通过适用于 Python 和 JavaScript 的 GenAI SDK 连接），并双向流式传输音频。最小的 Python 配置如下：
```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 目标 output_audio_transcription={}, # 同时返回文本 ), )
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，约 100 ms async for msg in session.receive(): play(msg.data) # 24 kHz translated audio ```
音频格式是特定的，而且在调试其他任何内容之前，值得先弄对。输入应为原始 16 位 PCM，采样率 16 kHz，单声道，小端序；输出返回为原始 16 位 PCM，采样率 24 kHz，单声道。请以大约 100 毫秒的分块发送麦克风音频。翻译行为通过 translationConfig 块设置（Google 文档中的完整参考）：
targetLanguageCode：你希望输出的 BCP-47 代码（必填）。echoTargetLanguage：是否重复已经使用目标语言的音频。inputAudioTranscription/outputAudioTranscription：将这些选项打开，以便同时接收输入内容和输出内容的文本转录。
由于这是一个专注于翻译的模型，Gemini 工具包中的许多通用功能都已关闭：没有 function calling、没有 thinking、没有 structured outputs、没有 caching、没有 search grounding。它接收音频输入并输出翻译后的音频（以及可选的转录文本），除此之外没有别的。会话使用带有 30 分钟过期窗口的临时 token；如果你要向浏览器客户端传递凭据，这一点很重要。
Gemini 3.5 实时翻译定价
在公开预览期间有一个真正的免费层：输入和输出均免费（受常规预览速率限制约束），这足以在你正式投入之前对整个流程进行原型设计。
在付费套餐中，计费按音频 token 计算，每秒音频为 25 个 token：
| 模型 | 输入（每 1M tokens） | 输出（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 |
综合来看，Live Translate 的译音频成本大约为每分钟 $0.037。请注意，这是按音频流计费：一场 30 分钟的双向对话会同时计入传入和传出两个音频流，因此预算应按一两美元来估算，而不是把它当作按通话固定收费。更便宜的 Gemini 3.1 Flash Live 模型确实存在，但它是通用的实时音频模型，并非专为保留语调、低延迟翻译而调优的模型，而这正是此产品的设计目标。价格差异换来的是翻译质量，而不只是 token。数据来自Google 的开发者定价页面，于 2026 年 7 月 15 日核实。
在依赖它之前值得了解的局限性
Google 自己的模型卡在这里异常坦率，这些内容足够真实，值得据此进行规划，而不是一味忽视。
合成语音可能会不稳定。它可能在长时间停顿后发生变化，改变表面性别，或者在快速的多说话人交替中卡在同一种声音上，因此，一场快节奏的四人会议比一场平静的两人聊天对它的压力更大。语言检测是另一个薄弱环节：它在面对明显的非母语口音、关系密切的语言，以及在句子中途快速切换语言时会遇到困难。背景噪声会被过滤，但并不完美，严重的噪声可能会在翻译后的音频中引入伪影。最后，API 预览版目前只接受音频输入，没有文本输入路径，而且整个功能都带有预览状态，这意味着其行为和可用性仍可能发生变化。
这些都不是安静的一对一对话中的致命问题。它们是你在将其用于嘈杂的会议室或呼叫中心之前需要测试的事项。
它与您其他选项相比如何
如果你正在选择要拿什么，三个问题就能帮你理清楚：
- 临时、面对面、两个人都在看手机？ Google Translate 应用版本是免费的，而且无需设置。它显然是首选。
- 多语言会议？ 一旦你的组织获得了预览访问权限，Google Meet 的企业翻译就是可行方案。
- 将翻译集成到你自己的产品中？ Live API 是唯一能让你进行编程控制的选项，上面的定价就是你需要据以编制预算的依据。
与较旧的轮流式方法（说话、等待提示音、聆听）相比，连续模式在对话流畅性上确实是一次重大跃升。与人类口译员相比，它要便宜得多，而且可立即提供数十种语言支持，但在细微差别、惯用表达以及高风险场景下的准确性方面，专业口译员仍然更胜一筹，而上述局限性已经清楚地表明了这一点。
如果你要将其集成到产品中，请记住语音层和文本层是分别计费的：翻译来自 Google 的 Live API，而之后的任何摘要或行动项提取都运行在你单独选择的文本模型上，其中 API 定价因提供商而异。
相关阅读
- Gemini Omni Flash 定价和 API 指南，适用于 Google 的另一款实时多模态模型。
- OpenAI Realtime API 定价，如果你正在比较各直播语音提供商的按分钟成本。
常见问题
如何在 Google 翻译中启用实时翻译？
在 Android 或 iOS 上打开 Google 翻译应用，选择实时或对话模式，并选择您的两种语言，或者让应用自动检测它们。在 Android 上，开启听取模式可通过听筒收听翻译。
Gemini 3.5 Live Translate 支持多少种语言？
它可自动检测 70 多种语言，并且在群组场景中，它可以在一次对话中处理 2,000 多种语言对。
Gemini 3.5 Live Translate 是免费的吗？
是的，输入和输出都有免费额度。Live API 的付费使用费用约为每分钟音频 $0.037（每 1M 输入 token $3.50，每 1M 输出 token $21.00）。
我可以在 iPhone 和 Android 上使用它吗？
是的。Google Translate 应用的推出覆盖 iOS 和 Android，不过耳机听音模式在上线时仅为 Android 功能。
检测到错误的语言时会发生什么？
由于检测是自动的，强烈口音、相近语言或快速切换语言都可能在对话过程中导致错误判断，而且在长时间停顿后，译音也可能发生变化或切换性别。在安静的一对一场景中，这种情况很少出现；在嘈杂或多人快速交谈的环境中，请先测试，再决定是否依赖它。
个人对话请选择 Translate 应用，多语言团队请选择 Meet，而当您需要在自己控制的软件中进行翻译时，请使用 Live API。无论您选择哪一个，都可以先在免费套餐上进行原型验证，再决定是否投入使用。