Googleは2026年6月9日(米国時間)、音声から音声へのライブ翻訳を行う最新の音声モデル「Gemini 3.5 Live Translate」を発表しました。70超の言語を自動検出し、話者の抑揚・ペース・声の高さを保った自然な翻訳音声をほぼリアルタイムに生成します。同日から、開発者向けにはGemini Live APIとGoogle AI Studioの公開プレビュー、企業向けには今月からGoogle Meetの限定プレビュー、一般向けにはAndroid/iOSのGoogle翻訳アプリを通じて順次展開されます。

モデルの特徴

• ▸対応言語 — 70超の言語を自動検出し、手動設定なしで多言語の入力を処理
• ▸音声品質 — 話者のイントネーション・ペース・ピッチを保った、滑らかで自然な翻訳音声を生成
• ▸連続生成 — 話者が話し終えるのを待って応答するターン制のシステムと異なり、文脈を待って品質を高めることと即時に翻訳して同期を保つことのバランスを取りながら連続的に音声を生成。不自然な間のない音声を、セッションを通じて話者の数秒後ろで届ける
• ▸耐雑音性 — 騒がしく予測しにくい環境でもアプリケーションが動作できるノイズ堅牢性を備える

Googleの翻訳は20年前に同社の先駆的な機械学習の実験として始まり、現在では同社製品全体で毎月1兆語以上が数十億人のユーザーのために翻訳されています。

開発者向け提供

開発者はGemini Live APIとGoogle AI Studioの公開プレビューで利用でき、多言語の通話・会議・授業・放送などのライブ通訳に活用できます。Agora、Fishjam、LiveKit、Pipecat、Vision Agentsといった開発者プラットフォームがGemini Live APIを活用し、複雑なリアルタイムメディアストリーミング基盤を肩代わりすることで、開発者はユーザー体験に集中して音声翻訳アプリを構築・展開できるとしています。

パートナーのGrabは、乗車地点でのドライバーと旅行者のほぼリアルタイムな多言語コミュニケーションを可能にするため本モデルをテストしています。これらのユーザーはGrabを通じて月間1000万件以上の音声通話を行っています。このほかCJ ENM、LiveKit、Vision Agents、Software Mansion、Agoraの担当者が、翻訳品質・精度・低遅延・多言語の自動検出を評価するコメントを寄せています。

Google Meetでの展開

• ▸対応言語 — 従来の5言語から70超の言語に拡大
• ▸言語の組み合わせ — 従来は英語との相互翻訳のみだったのに対し、1つの会議で2000超の言語の組み合わせでの会話が可能に
• ▸インターフェース — 音声翻訳へ即座にアクセスできるよう更新

Google Meetの音声翻訳は今月から、一部のビジネス向けGoogle Workspace顧客を対象とした限定プレビューとして提供が始まり、年内により広い範囲へ展開される予定です。

Google翻訳アプリでの展開

AndroidとiOSのGoogle翻訳アプリにもグローバルに展開されます。Live translate機能の利用時にヘッドホンを接続すると、話者のトーンを反映した70超の言語のよりシームレスな翻訳を体験できます。

Androidでは、翻訳音声をスマートフォンの受話口から直接聞ける新しい「listening mode」の提供も始まります。通常の通話のように電話を耳に当てるだけで翻訳音声が流れる仕組みで、周囲に聞かれずに素早く翻訳を聞きたい場面や、ヘッドホンが手元にない場面で役立つとしています。

SynthIDによる透かし

モデルが生成したすべての音声には、SynthIDによる透かしが付与されます。知覚できない透かしが音声出力に直接織り込まれており、AI生成コンテンツを検出可能に保つことで誤情報の防止に役立てるとしています。