Google lanza Gemini 3.5 Live Translate: un modelo de voz a voz para más de 70 idiomas

Google ha lanzado Gemini 3.5 Live Translate, un modelo de streaming para la traducción simultánea de voz en tiempo real que admite más de 70 idiomas. Según informó MarkTechPost el 9 de junio de 2026, el nuevo modelo traduce directamente de voz a voz, genera el audio en un flujo continuo y se queda apenas unos segundos por detrás del hablante. Está disponible a través de la Gemini Live API y se ha integrado en Google Meet y en la aplicación Google Translate.

Cómo funciona la traducción en streaming

Los sistemas clásicos de traducción automática primero reconocen el discurso completo, después traducen el texto y solo entonces sintetizan el audio. Gemini 3.5 Live Translate funciona en streaming: el modelo procesa el sonido entrante por fragmentos y empieza a generar voz traducida casi de inmediato, sin esperar a que el hablante termine la frase. Por eso el retraso se reduce a unos pocos segundos, comparable al de un intérprete simultáneo profesional en una conferencia y no a la pausa habitual de las aplicaciones de traducción que procesan la grabación entera.

Datos clave del lanzamiento:

• El modelo se llama Gemini 3.5 Live Translate y pertenece a la familia Gemini de Google.
• Admite traducción de voz en más de 70 idiomas.
• Funciona en modo streaming de voz a voz, con unos segundos de retraso respecto al original.
• Está disponible para desarrolladores externos a través de la Gemini Live API.
• Está integrado en Google Meet y en la aplicación Google Translate.

Dónde aparecerá el modelo

Google incorpora Gemini 3.5 Live Translate a varios de sus productos a la vez. En Google Meet, el modelo podrá traducir la conversación entre participantes de videollamadas que hablan idiomas distintos prácticamente sin retraso. Eso cubre un hueco histórico de los servicios de videoconferencia: hasta ahora, la mayoría recurría a subtítulos con texto traducido y no a traducción de voz en directo. En la aplicación Google Translate, el nuevo modelo sustituye o complementa los mecanismos anteriores de interpretación oral, de modo que el modo conversación resulta más natural para viajeros y negociaciones de negocios.

Además, el modelo está abierto a los desarrolladores mediante la Gemini Live API, una interfaz que permite integrar funciones en tiempo real (audio, vídeo, texto) en aplicaciones de terceros. Es decir, la traducción de voz a voz podrán usarla no solo los productos de Google, sino cualquier empresa que cree centros de llamadas, plataformas educativas, asistentes de atención al cliente o sistemas para eventos internacionales.

Un largo camino hacia la traducción de voz en vivo

La idea de la traducción automática simultánea de voz no es nueva: los auriculares traductores y las aplicaciones tipo «guía de conversación» existen desde hace años. Casi todos sufrían el mismo problema, una pausa notable entre la intervención y la traducción que convertía el diálogo natural en un intercambio de monólogos con esperas. Cada eslabón de la cadena clásica (reconocimiento de voz, traducción de texto, síntesis de voz) añadía su propio retraso y su propia fuente de errores, y los desajustes entre etapas podían distorsionar la entonación, las pausas e incluso el sentido de lo dicho.

La arquitectura de streaming, que reúne todos esos pasos en un único modelo, responde justamente a ese problema. Y el hecho de que Google la despliegue directamente en productos masivos como Meet y Translate, en lugar de mantenerla como función experimental, indica que la compañía está lista para escalar la tecnología a millones de usuarios.

Qué cambia para desarrolladores y empresas

Un modelo de traducción en streaming accesible por API reduce la barrera de entrada para las empresas que antes debían contratar un equipo de intérpretes o integrar por separado servicios de reconocimiento de voz, traducción de texto y síntesis de voz, con el retraso correspondiente en cada etapa. Un único modelo de voz a voz simplifica la arquitectura de estos productos y, potencialmente, reduce la latencia total y el coste de mantenimiento.

Para los usuarios finales, el efecto principal es que la traducción automática se acerca a la experiencia de un intérprete simultáneo humano en situaciones cotidianas: videollamadas, viajes, negociaciones. Dado que Google desarrolla Gemini como un ecosistema de modelos y añade nuevas capacidades a sus productos masivos (Meet, Translate, servicios de búsqueda y ofimática), la traducción de voz en streaming puede convertirse bastante pronto en una función estándar y no en una capacidad de nicho disponible solo mediante servicios especializados de interpretación simultánea.

Queda abierta la cuestión de la calidad de la traducción en escenarios complejos: intervenciones solapadas de varios hablantes, mucho ruido de fondo o terminología muy especializada, donde incluso los intérpretes profesionales cometen errores. El retraso de unos segundos que declara Google es un compromiso entre velocidad y precisión: cuanto menos contexto haya acumulado el modelo antes de generar la traducción, mayor es el riesgo de imprecisiones en frases largas y sintácticamente complejas. Aun así, el hecho de que una función así esté ahora integrada en herramientas cotidianas como Google Meet, y no requiera hardware especializado aparte, reduce de forma notable la barrera para la comunicación internacional en los negocios y en la vida diaria.