Google запустила Gemini 3.5 Live Translate: модель речь-в-речь для 70+ языков

Google выпустила Gemini 3.5 Live Translate — потоковую модель для синхронного перевода речи в реальном времени, поддерживающую более 70 языков. Об этом 9 июня 2026 года сообщило издание MarkTechPost: новая модель переводит речь напрямую в речь, генерируя аудио непрерывным потоком и отставая от говорящего всего на несколько секунд. Разработка доступна через Gemini Live API, а также встроена в Google Meet и приложение Google Translate.

Как работает потоковый перевод

В отличие от классических систем машинного перевода, которые сначала распознают речь целиком, переводят текст и лишь затем синтезируют аудио, Gemini 3.5 Live Translate работает по потоковому принципу: модель обрабатывает входящий звук фрагментами и начинает генерировать переведённую речь почти сразу, не дожидаясь окончания фразы говорящего. Именно поэтому задержка сокращается до нескольких секунд — величины, сопоставимой с работой профессионального синхронного переводчика на конференции, а не с привычной паузой в приложениях-переводчиках, которые обрабатывают запись целиком.

Ключевые факты о запуске:

• Модель называется Gemini 3.5 Live Translate и относится к семейству Gemini от Google.
• Поддерживает перевод речи более чем на 70 языков.
• Работает в потоковом режиме речь-в-речь, отставая от оригинала на несколько секунд.
• Доступна через Gemini Live API для сторонних разработчиков.
• Интегрирована в Google Meet и приложение Google Translate.

Где появится модель

Google встраивает Gemini 3.5 Live Translate сразу в несколько своих продуктов. В Google Meet модель сможет обеспечивать перевод разговора между участниками видеозвонков на разных языках практически без задержки, что закрывает давний пробел сервисов видеосвязи — до сих пор большинство из них полагались на субтитры с переводом текста, а не на живой голосовой перевод. В приложении Google Translate новая модель заменяет или дополняет прежние механизмы устного перевода, делая разговорный режим приложения более естественным для путешественников и деловых переговоров.

Отдельно модель открыта разработчикам через Gemini Live API — программный интерфейс, который позволяет встраивать функции реального времени (аудио, видео, текст) в сторонние приложения. Это значит, что перевод речь-в-речь смогут использовать не только продукты самой Google, но и любые компании, создающие колл-центры, образовательные платформы, ассистентов поддержки клиентов или системы для международных мероприятий.

Долгий путь к живому переводу речи

Идея синхронного машинного перевода речи не нова: голосовые переводчики-наушники и приложения с функцией «разговорника» существуют уже не первый год, но почти все они страдали от одной и той же проблемы — заметной паузы между репликой и переводом, из-за которой естественный диалог превращался в обмен монологами с ожиданием. Каждое звено классического конвейера — распознавание речи, машинный перевод текста, синтез голоса — добавляло собственную задержку и собственный источник ошибок, а несостыковки между этапами могли искажать интонацию, паузы и даже смысл сказанного. Потоковая архитектура, объединяющая все эти шаги в единую модель, — ответ именно на эту проблему, и то, что Google выкатывает её сразу в массовые продукты вроде Meet и Translate, а не оставляет в статусе экспериментальной функции, говорит о готовности компании масштабировать технологию на миллионы пользователей.

Что это меняет для разработчиков и бизнеса

Появление доступной через API модели потокового перевода снижает порог входа для компаний, которым раньше приходилось либо нанимать штат переводчиков, либо интегрировать разрозненные сервисы распознавания речи, перевода текста и синтеза голоса по отдельности — с соответствующей задержкой на каждом этапе. Единая модель речь-в-речь упрощает архитектуру таких продуктов и потенциально снижает совокупную задержку и стоимость обслуживания.

Для конечных пользователей главный эффект — это приближение машинного перевода к опыту живого синхронного переводчика в бытовых сценариях: видеозвонках, поездках, переговорах. Учитывая, что Google одновременно развивает Gemini как экосистему моделей и встраивает новые возможности в свои массовые продукты — Meet, Translate, поисковые и офисные сервисы, — потоковый перевод речи может довольно быстро стать стандартной функцией, а не нишевой возможностью, доступной только через специализированные сервисы синхронного перевода.

Остаётся открытым вопрос качества перевода в сложных сценариях — при наложении реплик нескольких говорящих, сильном фоновом шуме или узкоспециализированной терминологии, где даже профессиональные синхронисты допускают ошибки. Задержка в несколько секунд, о которой заявляет Google, — компромисс между скоростью и точностью: чем меньше контекста модель успевает накопить перед генерацией перевода, тем выше риск неточностей на длинных и синтаксически сложных фразах. Тем не менее сам факт, что подобная функция теперь встроена в повседневные инструменты вроде Google Meet, а не требует отдельного специализированного оборудования, заметно снижает барьер для международного общения в бизнесе и повседневной жизни.