Gemini 3.5 Live Translate API：实时语音翻译进入路由层

Google 在 6 月 9 日将 gemini-3.5-live-translate-preview 推向公开预览，在 Gemini Live API 中开放了一个全新的模型 endpoint。对于运行语音 agent 或跨语言对话 pipeline 的团队来说，这个新路由目标改变了一个具体决策：把需要跨语言边界的连续音频流发往何处。

发生了什么

Gemini 3.5 Live Translate 是一个专用音频模型，专门用于语音对语音翻译。与将 ASR → NMT → TTS 作为独立调用串联起来的 pipeline 方案不同，这个模型持续处理传入的音频流并持续输出翻译后的音频，在整个会话期间始终落后说话人数秒。

公开预览发布的关键事实：

• 模型 ID： gemini-3.5-live-translate-preview
• 接入方式： Gemini Live API（WebSocket 流式传输）和 Google AI Studio
• 语言覆盖： 自动检测 70+ 种输入语言，支持 2,000+ 语言对的互译
• 延迟策略： 连续输出，不是基于轮次——模型不等说话人暂停就开始输出翻译音频
• 噪声鲁棒性： 已有文档说明；可应对嘈杂或不可预测的声学环境
• SynthID 水印： 所有生成的音频均带水印，用于 AI 生成内容溯源检测
• 企业预览： Google Meet 集成已于 2026 年 6 月开始面向 Workspace 客户开放私有预览

已经通过其 SDK 层暴露该模型的开发者平台合作伙伴包括 Agora、LiveKit、Pipecat 和 Fishjam。各平台负责 WebSocket 流式基础设施，应用程序代码面向其抽象接口而非直接对接 Gemini Live API 的原始协议。

对 AI 工程团队的意义

在此之前，生产环境中的实时语音翻译意味着两条路之一：使用专有翻译供应商（SYSTRAN、ModernMT 等），或者自行组装由独立 ASR、NMT 和 TTS 调用链接而成的 pipeline。两条路径都承载集成复杂性，延迟层层累积——每一跳都增加往返时间。

gemini-3.5-live-translate-preview 将这条技术栈压缩为单一流式 endpoint。路由决策变得简单：已经在使用 Gemini API 处理文本或多模态工作负载的团队，可以在不引入单独供应商合同的情况下增加语音对语音翻译能力。

70+ 种语言的自动检测省去了大多数 pipeline 方案需要的源语言配置步骤。这对说话人在会话开始时语言未知的场景——客服队列、多语言会议、公共服务柜台——尤为重要。

Grab 的试点是一个值得跟踪的运营信号：该公司每月在东南亚多语言环境下处理超过 1,000 万通司机-乘客语音通话。延迟和声学噪声是该工作负载的一等约束，而非次要考量。

路由和运维视角

对于使用 AI 网关管理多个 Gemini endpoint 的团队来说，gemini-3.5-live-translate-preview 引入了一个此前不存在的模型路由决策：

何时将流量路由到 gemini-3.5-live-translate-preview 而非 gemini-2.0-flash-live-001：

• 已知存在语言跨越意图的翻译专项会话 → gemini-3.5-live-translate-preview 是专用模型，避免了提示通用模型进行翻译的开销
• 无翻译需求的普通语音对话 → gemini-2.0-flash-live-001 或同等模型仍是正确路由
• 翻译需求是有条件的混合会话 → 根据会话元数据或首轮语句语言检测来路由，而非模型级别

流式架构考量： 该模型运行在 Gemini Live API 的 WebSocket 通道上。与标准 REST /v1/models/{model}:generateContent endpoint 不同，Live API 会话是有状态的且持续时间较长。仅代理 REST 请求的路由层在不支持 WebSocket 穿透的情况下无法转发这些会话。

回退设计： gemini-3.5-live-translate-preview 是预览模型，没有正式文档化的 SLA。生产级语音翻译 pipeline 应定义回退方案：要么使用链接式 pipeline（Gemini Flash 做 ASR + 翻译调用 + TTS 调用），要么接入替代供应商。回退方案会增加延迟，但能在预览 endpoint 降级时保障可用性。

成本核算： Gemini Live API 按音频 input/output token 计费，而非按请求次数。连续翻译会话持续数分钟时，会按照音频 token 费率累积 token 成本。路由层需要将会话时长指标与每次请求的成本一起暴露出来，才能给运维人员提供准确的账单视图。

语言对覆盖缺口： 2,000+ 语言对的说法覆盖的是 70 种检测语言的组合，并非所有语言对的质量均等。构建有 SLA 保障的多语言产品团队，应在预览期内就实际使用的语言对验证翻译质量，而非假定覆盖均匀。

值得关注的后续

• GA 时间线： 「公开预览」状态意味着没有正式的生产 SLA。Google 尚未宣布正式发布日期。持续关注 Gemini API changelog。
• Google Meet 上线节奏： 面向企业 Workspace 客户的私有预览于 2026 年 6 月开始，可能会在企业访问权限进一步扩大之前，加速团队基于该 API 进行原型验证的需求。
• GA 定价： 预览期间的 Live API 音频 token 定价可能在 GA 时调整。按预览费率编制预算估算，但做好调整准备。
• 第三方 SDK 对齐度： LiveKit、Pipecat、Agora 和 Fishjam 已有原生集成。如果你的语音基础设施运行在不同的 WebRTC 或媒体栈上，请在假定模型可接入前查看相关集成文档。

For teams evaluating which Gemini model to route voice-translation sessions through, the models catalog on TheRouter shows the currently routable Gemini endpoints. Live API WebSocket 通道需要直接接入 Google 或封装它的平台合作伙伴。