Płynność i naturalność w czasie rzeczywistym
Kluczową innowacją Gemini 3.5 Live Translate jest sposób przetwarzania dźwięku. W przeciwieństwie do tradycyjnych systemów, które wymagają zakończenia wypowiedzi przez użytkownika, aby rozpocząć tłumaczenie, nowy model generuje mowę w sposób ciągły. Dzięki inteligentnemu balansowaniu między oczekiwaniem na kontekst a natychmiastową reakcją, system zachowuje intonację, tempo oraz wysokość głosu mówcy. Efektem jest płynna komunikacja z zaledwie kilkusekundowym opóźnieniem, co eliminuje nienaturalne pauzy w rozmowie.
Model automatycznie wykrywa język wejściowy bez konieczności ręcznej konfiguracji, a jego wysoka odporność na hałas sprawia, że sprawdza się w nieprzewidywalnych warunkach otoczenia.
Dostępność i zastosowania
Technologia ta jest wdrażana w różnych ekosystemach Google, aby wspierać użytkowników indywidualnych oraz biznesowych:
W środowisku biznesowym Google Meet, Gemini 3.5 Live Translate znacząco rozszerza możliwości komunikacji. Zamiast dotychczasowego ograniczenia do pięciu języków i tłumaczenia wyłącznie z lub na język angielski, użytkownicy zyskują dostęp do ponad 70 języków i ponad 2000 możliwych kombinacji językowych w ramach jednego spotkania.
Nowe funkcje w aplikacji mobilnej
Użytkownicy aplikacji Google Translate mogą teraz korzystać z bardziej naturalnych tłumaczeń, podłączając słuchawki. Dodatkowo, na urządzeniach z systemem Android wprowadzono nowy tryb słuchania. Pozwala on na odsłuchiwanie tłumaczeń bezpośrednio przez słuchawkę telefonu, podobnie jak podczas zwykłej rozmowy telefonicznej. Jest to rozwiązanie idealne w sytuacjach, gdy użytkownik chce zachować dyskrecję lub nie posiada przy sobie słuchawek.
Bezpieczeństwo i rozwój
Z myślą o odpowiedzialnym rozwoju technologii AI, wszystkie treści audio generowane przez model są oznaczane za pomocą technologii SynthID. Jest to niezauważalny dla ludzkiego ucha znak wodny, który pozwala na identyfikację treści stworzonych przez sztuczną inteligencję, co ma na celu przeciwdziałanie dezinformacji.
Z możliwości modelu korzystają już pierwsi partnerzy zewnętrzni. Firma Grab, obsługująca ponad 10 milionów połączeń głosowych miesięcznie, testuje rozwiązanie w celu usprawnienia komunikacji między kierowcami a pasażerami. Z kolei platformy takie jak Agora, Fishjam, LiveKit, Pipecat czy Vision Agents integrują Gemini Live API, aby umożliwić twórcom aplikacji łatwe wdrażanie zaawansowanych funkcji tłumaczenia głosowego.
