DocsDigest
一覧へLanguage: EN
OpenAIGemini2026/06/09 15:00

Fluid, natural voice translation with Gemini 3.5 Live Translate

要点だけを先に読めるように短く再構成したセクションです。

元記事
OpenAIClaude

Quick Digest

要約

要点だけを先に読めるように短く再構成したセクションです。

openaijamodel: gpt-5-mini-2025-08-07

Gemini 3.5 Live Translate：自然な音声の連続翻訳

speech-to-speechstreamingmultilinguallow-latencyapinoise-robustnesssynthid

Key Points

  • 70以上の言語対応
  • 連続生成で低遅延翻訳
  • Gemini Live API 公開プレビュー

Summary

Gemini 3.5 Live Translate は、70以上の言語を自動検出して連続的に音声を生成するリアルタイムに近いスピーチ・トゥ・スピーチ翻訳モデルです。話者のイントネーションや話速を保ちながら数秒の遅延で自然な翻訳音声を返します。現在、開発者向けに Gemini Live API（公開プレビュー）と Google AI Studio、企業向けに Google Meet のプライベートプレビュー、一般向けに Google Translate（Android/iOS）で順次展開中です。

Key Points

  • 70+ 言語を自動検出して翻訳（2000+ の言語組合せをサポート）
  • 連続生成アプローチ：話者と同期した「数秒遅れ」の低遅延翻訳、ターン制より滑らか
  • ストリーミング入力を前提：逐次処理でリアルタイム性を担保
  • 雑音耐性あり：騒がしい環境でも安定した出力を目指す
  • 利用方法：Gemini Live API（公開プレビュー）、Google AI Studio、Google Meet（企業向けプレビュー）、Translate アプリ（Android/iOS）
  • Android ではイヤホン不要の「リスニングモード」あり（端末の受話口から直送）
  • 生成音声は SynthID による不可視の透かし入り（偽情報対策）、詳細はモデルカード参照

For engineers / 実装ポイント

  • ストリーミング設計を前提に：音声チャンクの送受信と遅延管理を優先する
  • 言語設定不要：マルチリンガル入力は自動検出で処理簡素化
  • レイテンシと文脈のバランス：短遅延を優先すると文脈依存誤訳が増えるため、アプリ要件に応じてバッファ戦略を設計する
  • メディア経路は外部プラットフォームに委譲可：Agora、LiveKit、Pipecat、Vision Agents 等の統合で低レイヤのストリーミングを簡略化
  • 参考リソース：Gemini Live API デモ、Gemini Cookbook のサンプルコードとデモを参照
  • セキュリティ／透明性：SynthID の存在を利用ケースに明示し、モデルカードの安全性ガイドラインに従う

Use cases

  • 同時通訳、会議・授業のライブ翻訳、放送のダビングや多言語配信、オンデマンドの観光案内など

Full Translation

翻訳

原文の流れを保ったまま読める翻訳セクションです。

openaijamodel: gpt-5-mini-2025-08-07

Gemini 3.5 Live Translateによる流暢で自然な音声翻訳

Gemini 3.5 Live Translateによる流暢で自然な音声翻訳

Gemini 3.5 Live Translateは、70+言語でほぼリアルタイムの音声→音声翻訳を実現する最新の音声モデルです。Anuda Weerasinghe（Product Manager）とTony Lu（Senior Staff Software Engineer）による発表です。

二十年前、Googleでの翻訳は言語の科学を人間のつながりという魔法に変えるための先駆的な機械学習実験として始まりました。その実験は大きく進化し、毎月数十億のユーザー向けに1兆語以上が翻訳されています。本日、私たちはライブ音声翻訳の新段階として、Gemini 3.5 Live Translateをリリースします。

主な特徴

  • 自動検出と高品質出力：モデルは70+言語を自動検出し、話者のイントネーション、話速、ピッチを保った滑らかで自然な翻訳音声を生成します。
  • 連続生成アプローチ：話し手が話し終えるのを待つ従来のターン形式とは異なり、3.5 Live Translateは翻訳を連続的に生成します。文脈を待って品質を高めるか、即時翻訳で話者と同期するかのバランスを取り、気まずい間（ポーズ）がない流れるような音声体験を提供します。セッション中は話者の数秒後を保って追従します。
  • ノイズ耐性：騒がしい、予測不能な環境でも機能する堅牢性を備えています。

提供開始／展開

Gemini 3.5 Live Translateは本日より順次Googleの各サービスで展開されます：

  • 開発者向け（パブリックプレビュー）：Gemini Live APIおよびGoogle AI Studioを通じて
  • 企業向け（プライベートプレビュー）：今月よりGoogle Meetで提供開始
  • 一般向け：Google Translateアプリ（AndroidおよびiOS）で利用可能

3.5 Live Translateで構築する

Gemini 3.5 Live Translateは音声をストリーミングしながら処理するため、言語間のシームレスなやり取りを可能にします。マニュアル設定なしで多言語入力を扱え、リアルタイムのメディア環境での複雑さを軽減します。利用例：

  • 多言語通訳（通話・会議）
  • 教育（授業の同時翻訳）
  • 放送やイベントでの同時通訳

デモや実例コードはGemini Cookbookで確認できます。Gemini Live APIを利用することで、Agora、Fishjam、LiveKit、Pipecat、Vision Agentsなどの開発者プラットフォームが、音声翻訳アプリの構築・デプロイを容易にしています。これらの統合はリアルタイムメディアストリーミングのインフラを扱うため、開発者はユーザー体験に集中できます。

パートナーのGrabは、ピックアップ時のドライバーと旅行者の間でほぼリアルタイムの多言語コミュニケーションを可能にするためにこのモデルをテストしています。Grabのユーザーは月に1,000万件以上の音声通話を行っています。

早期の評価

Grabに加え、CJ ENM、LiveKitなどの企業が3.5 Live Translateについて、翻訳品質、正確性、低遅延を高く評価するポジティブなフィードバックを寄せています。

ビデオ会議での体験向上（Google Meet）

Google Meetの音声翻訳はまもなく3.5 Live Translateを採用し、次の改善をもたらします：

  • 70+言語の提供（従来の最大5言語からの拡張）
  • 1回の会議内で2000+の言語組み合わせでの会話を可能に（従来は英語のみの翻訳が中心）
  • 音声翻訳への即時アクセスが可能なインターフェース更新

このアップデートは今月より一部のビジネス向けGoogle Workspace顧客に対してプライベートプレビューで開始され、その後今年後半により広い展開を予定しています。

Google Translateアプリ（Android／iOS）での利用

モデルはGoogle Translateアプリ（AndroidおよびiOS）でもグローバルに展開中です。Live translate機能を使うと、任意のヘッドホンを接続するだけで話者のトーンを反映した翻訳を70+言語で体験できます。

Androidユーザー向けには、新しい「リスニングモード」をロールアウトし始めています。3.5 Live Translate搭載のこのモードでは、電話の受話口（earpiece）から翻訳音声が直接再生されます。電話を耳に当てるだけで、あたかも通常の通話のように翻訳音声が聞こえます。ヘッドホンがない状況で他人に聞かれずに素早く翻訳を聞きたいときに便利です。例：スペイン語のガイドツアーを英語でほぼリアルタイムに受話口から聞くことができます。

SynthIDによる透かし

モデルが生成するすべての音声にはSynthIDで透かし（ウォーターマーク）が入ります。この知覚できない透かしは音声出力に直接埋め込まれ、AI生成コンテンツを検出可能にして誤情報対策に役立てます。安全性と責任に関する詳細はmodel cardを参照してください。

さらにGoogleの最新情報を受け取りたい場合はニュースレターを購読してください。

POSTED IN: Gemini models, Translate