Googleが、音声をその場で自然に双方向翻訳する「Gemini 3.5 Live Translate」を発表し、あわせて「Google翻訳」に最新世代のGemini翻訳能力を導入して対応言語と精度を拡張した。
Googleが音声をその場で双方向に翻訳する機能「Gemini 3.5 Live Translate」を発表した。公式発表では70以上の言語、2,000以上の言語の組み合わせに対応し、騒がしい環境でも自然な翻訳音声を返し、話者と同期して遅延が少なく、話されている言語を自動検出する。あわせて20年の歴史を持つ「Google翻訳」に最新世代のGemini翻訳能力を導入し、対応言語と精度を拡張した。
音声処理を担うモデル「Gemini 3.5 Audio」のモデルカード（仕様書）も公開済みで、業務にどのモデルを組み込むかを判断する一次情報の起点になる。対話アシスタント「Gemini Live」は過去に40以上の言語へ対応を広げており、今回はこれらの音声・翻訳機能をGemini 3.5系へ更新する位置づけだ。
音声をその場で双方向に翻訳する機能は、海外出張や多言語のオンライン会議、接客などの現場利用に直結する。対応言語ペアが自社の使い方に含まれるか、遅延や環境の前提が成り立つかを、公式のモデルカードを起点に確かめる作業が採用判断の入口になる。
この変化で何が要点か。図解と出典つきで一目で。
構造化された事実を最初に。誰が何をいつどこでなぜどのように。
Googleは長年「Google翻訳」を提供しており、すでに20年の歴史を持つ。近年は同社の生成AI「Gemini（ジェミニ）」を翻訳や音声処理に取り込み、対話アシスタント「Gemini Live」では40以上の言語に対応を広げてきた。今回の発表は、これらの音声・翻訳機能を最新世代モデル「Gemini 3.5」系へ更新するものである。公式情報によれば、70言語・2,000以上の言語の組み合わせに対応するとされる。
音声をその場で双方向に翻訳する機能は、海外出張や多言語のオンライン会議、接客などの現場利用に直結する。対応言語数と言語の組み合わせが大幅に増えたことで、これまで対応が薄かった言語間でも実用的な通訳が見込める。翻訳ツールを業務に組み込む企業にとって、どのモデルを採用するかの判断材料になる。
Googleが「Gemini 3.5 Live Translate」を発表した。音声をその場で自然な音声に翻訳する機能で、公式発表によれば70以上の言語、2,000以上の言語の組み合わせに対応する。発表を取り上げた信頼できる開発者向けキュレーターの投稿は、特徴を端的にこうまとめている。
Gemini 3.5 Live Translate! We just shipped a real-time babel fish. 70+ languages, 2,000+ language pairs. Natural translated speech, works in noisy environments. Stays in sync with the speaker, no lag, no awkward pauses. Auto-detects the language being spoken.
ここで言う「real-time babel fish（リアルタイム翻訳機）」とは、話した言葉をその場で別の言語の音声に変える仕組みのことだ。投稿が挙げた要点は、自然な翻訳音声を返すこと、騒がしい環境でも動くこと、話者と同期して遅延や不自然な間が出ないこと、話されている言語を自動で検出することの4点になる。これらは録音してから処理する従来型と違い、会話のテンポを保ったまま通訳する用途を想定している。
今回の発表は単独の新機能にとどまらない。Googleは20年の歴史を持つ「Google翻訳」に最新世代のGemini翻訳能力を導入し、対応言語と精度を拡張したと公表した。対話アシスタント「Gemini Live」は過去に40以上の言語へ対応を広げており、今回はこれらの音声・翻訳機能をGemini 3.5系へ更新する位置づけになる。
音声処理を担うモデル「Gemini 3.5 Audio」のモデルカード（仕様書）も公開済みだ。モデルカードとは、対応範囲や前提条件などモデルの仕様をまとめた公式文書を指す。
Bringing state-of-the-art Gemini translation capabilities to Google Translate
翻訳ツールを業務に組み込む企業にとって、どのモデルを採用するかを判断するうえで、この仕様書が一次情報の起点になる。
70言語・2,000以上の言語ペアという数値は、現場の業務コストに直接効く。海外出張や多言語のオンライン会議が多い企業は、専属通訳の手配や事前準備の手間を減らす選択肢を一つ増やせる。
接客やインバウンド対応の事業者にとっては、話されている言語を自動検出する仕組みが効く。来店客がどの言語を話すかを事前に確認しなくても、その場で双方向に応答する導線を作れるからだ。
一方、対応言語数や音声の自然さで差別化してきた単機能の音声翻訳アプリは比較で不利になる。GoogleがGoogle翻訳とGemini Liveという既存の大規模な利用導線に最新能力を載せたため、同じ土俵での優位が縮むことになる。
立場別、明日から動ける一手。
Gemini 3.5 Audioのモデルカードで対応言語・遅延・対応環境の前提を確認する。
自社が使う言語ペアが2,000以上の組み合わせに含まれるかを現行ツールと比較する。
自社の会議・接客で頻出する言語ペアでLive Translateの自然さと遅延を試す。
開発者向けキュレーターが「We just shipped a real-time babel fish.（リアルタイム翻訳機を出した）」と発表内容を共有し、「70+ languages, 2,000+ language pairs」「works in noisy environments」「Stays in sync with the speaker, no lag, no awkward pauses」という具体スペックに関心が集まっている。別の投稿ではGemini 3.5 Flashが参照画像から照明を解析し対話型3Dビジュアライザのコードを生成するデモが共有されるなど、Gemini 3.5系の能力全般への注目が広がっている。
※トレンド検出時刻付近の人気投稿を表示
Gemini 3.5 Flash can process complex visual data and translate it into functional, interactive code. Watch Gemini analyze lighting from a reference image, and build an interactive 3D visualizer to preview the setup.