AIREITER

Gemini 3.5 Live Translate：工作原理、使用方式与价格

最后更新: 2026-07-29 12:28:54

和说不同语言的人聊天时，过去往往得轮流说一句、等手机识别和翻译、再听结果。Gemini 3.5 Live Translate 想改变的正是这个流程：你说话时，译文会在数秒后以尽量保留原有语速和语气的声音传到对方耳中。Google 于 2026 年 6 月 9 日发布该模型，它是一款支持 70 多种语言实时口语翻译的音频到音频模型。目前可在三个入口使用：Google Translate 应用、Google Meet，以及面向开发者的 Gemini Live API。它提供免费层，付费用量的音频价格约为每分钟 $0.037。相比传统的“说话、等待、收听”式翻译，最大的变化是对话不必再被频繁打断。

两位来自不同文化背景的人通过 Gemini 3.5 Live Translate 进行实时翻译对话

Gemini 3.5 Live Translate 到底是什么

Google 将其定义为直接流式输出译后语音的音频到音频模型，而不是旧工具常见的“先转写、再朗读”模式。传统方案会先把语音转成文字，再翻译文本，最后通过文本转语音读出来；每经过一层，都会多一段等待。Gemini 3.5 Live Translate 则在音频流传入时同步处理，并持续输出译后音频。它只会比原话滞后几秒，无需等用户完整说完一句话。

它和基础翻译工具主要有三点不同。首先，模型会自动识别正在使用的语言，因此一次对话可以覆盖 70 多种语言；多人场景下，无需手动切换设置即可处理 2,000 多种语言组合。其次，它会保留说话人的语调、节奏和音高，听起来更接近真实说话，而不是机械朗读。最后，所有生成的音频都带有 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，该模型基于 Gemini 3 Pro 架构构建，输入上下文窗口为 131,072 个 token。

目前可以在哪些地方使用

Gemini 3.5 Live Translate 并不是一个独立产品，而是同一模型在三个不同场景中的能力呈现。具体怎么用，取决于你使用的是哪一个入口。

Google Translate 应用：日常面对面交流

面向普通用户，它正通过 Android 和 iOS 版 Google Translate 应用在全球逐步推出。打开实时翻译模式后，选择语言或让应用自动识别，然后直接说话即可。Android 还新增了聆听模式，可通过手机听筒播放译文；一对一交流时，这比来回递手机更像戴着同传耳机交谈。

Google Meet：企业多语种会议

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密预览阶段。升级幅度很明显：Meet 原先的翻译功能大约支持五种语言，新版本则扩展至 70 多种语言，并可在同一场会议中支持 2,000 多种语言对。参会者可以持续听到自己语言的内容，其他人也无需为翻译而停下来等待。

Gemini Live API：接入自有产品

对开发者而言，该模型已在 Gemini Live API 和 Google AI Studio 中以公开预览形式提供。如果你要把翻译能力嵌入自己的应用、呼叫中心或流媒体产品，这就是对应的接入方式。Google 已与 Agora、LiveKit、Fishjam、Pipecat 和 Vision Agents 等实时音频平台推进集成；Grab 也正在测试将它用于司机与乘客通话，其网络每月处理超过 1,000 万通语音电话。

如何调用 Live API

模型 ID 为 gemini-3.5-live-translate-preview。你可以直接通过 Live API 的 WebSocket 连接，也可以借助 Python 或 JavaScript 的 GenAI SDK，并进行双向音频流传输。一个最小化的 Python 配置如下：

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

在排查其他问题前，先确保音频格式正确。输入必须是原始 16 位 PCM：16 kHz、单声道、小端序；输出则是原始 16 位 PCM：24 kHz、单声道。麦克风音频建议按约 100 毫秒一段发送。翻译行为通过 translationConfig 配置块设置（完整参数见 Google 文档）：

  • targetLanguageCode：目标输出语言的 BCP-47 代码，必填。
  • echoTargetLanguage：是否重复输出已是目标语言的音频。
  • inputAudioTranscription / outputAudioTranscription：启用后，可同时获得输入和输出内容的文本转写。

这是一个专注翻译的模型，因此 Gemini 通用工具链中的不少能力都被关闭：不支持函数调用、思考、结构化输出、缓存和搜索 grounding。它只接收音频，输出译后音频，并可选附带转写文本，没有其他用途。会话使用临时 token，过期窗口为 30 分钟；如果要把凭据交给浏览器客户端，这一点尤其需要注意。

Gemini 3.5 Live Translate 如何收费

公开预览期间确实提供免费层：输入和输出均不收费，但仍受常规预览速率限制。这足以让你在正式投入前完成整套流程的原型验证。

Google AI for Developers 官方 Gemini 3.5 Live Translate 定价表，展示免费层和付费层

付费层按音频 token 计费，每秒音频对应 25 个 token：

模型输入（每 100 万 token）输出（每 100 万 token）
Gemini 3.5 Live Translate$3.50（约 $0.0053/分钟）$21.00（约 $0.0315/分钟）
Gemini 3.1 Flash Live$3.00（约 $0.005/分钟）$12.00（约 $0.018/分钟）
Gemini 2.5 Flash Native Audio$3.00$12.00

合计来看，Live Translate 的译后音频成本约为每分钟 $0.037。注意这是按每路音频流计算：一段 30 分钟的双向对话，输入和输出流都会计费，因此预算应按约一两美元估算，而不能把它当作固定的单次通话价格。更便宜的 Gemini 3.1 Flash Live 也存在，但它是通用实时音频模型，并非专门针对本模型所追求的保留语调和低延迟翻译优化。价差买到的是翻译质量，而不只是 token。以上数据来自 Google 开发者定价页面，核查日期为 2026 年 7 月 15 日。

正式依赖前必须了解的限制

Google 自己的模型卡对此说得相当坦率，这些限制确实需要纳入实际部署规划，而不是简单忽略。

合成语音可能出现不一致的情况。长时间停顿后，声音可能发生变化；听感上的性别也可能改变；在多人快速交替发言时，系统还可能持续使用同一种声音。因此，相比平静的两人对话，节奏很快的四人会议会给它带来更大压力。语言识别也是另一处短板：明显的非母语口音、相近语言，以及一句话中快速切换语言，都可能让它判断困难。背景噪声会被过滤，但无法完全消除；噪声严重时，译后音频可能出现伪影。最后，API 预览版目前只接受音频输入，不支持文本输入路径；整个功能仍处于预览状态，意味着行为和可用性仍可能变化。

对于安静环境中的一对一对话，这些通常不足以成为阻碍。但如果要在嘈杂的会议室或呼叫中心部署，务必先进行测试。

和其他方案相比，应该怎么选

选择哪种方案，基本可以先回答三个问题：

  • 日常线下交流，双方各拿一部手机？ Google Translate 应用版免费且无需配置，是最直接的选择。
  • 需要开多语种会议？ 如果组织已获得预览权限，Google Meet 的企业翻译功能是对应方案。
  • 要在自家产品中加入翻译？ 只有 Live API 提供编程控制能力，预算则应按上面的价格计算。

与旧式轮流翻译流程——说话、等提示音、再听结果——相比，连续翻译模式确实大幅改善了对话连贯性。与人工口译相比，它便宜得多，也能即时覆盖数十种语言；但在细微语义、习语和高风险场景的准确性上，专业口译员仍然更胜一筹，上述限制也说明了这一点。

如果你准备把它集成到产品中，要记住语音层和文本层是两笔独立费用：翻译由 Google 的 Live API 提供；之后的摘要生成或待办事项提取，则要调用你自行选择的文本模型，而不同提供商的 API 定价差异很大。

延伸阅读

常见问题

如何在 Google Translate 中开启实时翻译？

在 Android 或 iOS 上打开 Google Translate 应用，选择 Live 或对话模式，再选择两种语言，或者让应用自动识别。Android 用户可以开启聆听模式，通过听筒收听译文。

Gemini 3.5 Live Translate 支持多少种语言？

它可自动识别 70 多种语言；在群组场景中，一次对话可处理超过 2,000 种语言对。

Gemini 3.5 Live Translate 免费吗？

是的，输入和输出都有免费层。Live API 的付费用量约为每分钟音频 $0.037，价格为每 100 万输入 token $3.50、每 100 万输出 token $21.00。

iPhone 和 Android 都能用吗？

可以。Google Translate 应用会覆盖 iOS 和 Android，不过发布时通过听筒收听的聆听模式仅为 Android 功能。

识别错语言时会发生什么？

由于语言识别是自动进行的，较重口音、相近语言或快速切换语言，都可能让模型在对话中途做出错误判断。长时间停顿后，译后声音也可能发生变化或改变听感上的性别。安静的一对一场景中，这类问题较少出现；但在嘈杂环境或多人快速交谈时，建议先测试再依赖。

个人对话选 Translate 应用，多语种团队会议选 Meet；当你需要把翻译接入自己掌控的软件时，则使用 Live API。无论选哪一种，都建议先在免费层完成原型验证，再决定是否投入。