言葉の壁がなくなる未来へ、Gemini 3.5 Live Translate登場
Google DeepMindは2026年6月9日、最新のオーディオモデル「Gemini 3.5 Live Translate」を発表しました。 このモデルは、70以上の言語を自動で検出し、話されている言葉をほぼリアルタイムで別の言語の音声に翻訳します。 これまでの翻訳ツールと一線を画すのは、話者の声の抑揚、ペース、ピッチといった特徴を保ったまま、自然な音声で翻訳を出力する点です。 この技術は、Google翻訳アプリやGoogle Meetといった身近なサービスに順次展開されるほか、開発者向けにAPIとしても提供が開始され、様々なアプリケーションへの応用が期待されています。
技術的な詳細：「ターン制」から「ストリーミング翻訳」へ
従来のリアルタイム翻訳システムの多くは、話者が話し終えるのを待ってから「音声認識→テキスト化→機械翻訳→音声合成」というパイプライン処理を行う「ターン制」でした。 この方式では、各ステップで遅延が積み重なり、会話に不自然な「間」が生まれることが課題でした。 Gemini 3.5 Live Translateは、この課題を解決するために「ストリーミング音声翻訳モデル」というアーキテクチャを採用しています。 これは、話者が話している最中から音声データを連続的に処理し、翻訳音声の生成を開始する技術です。 音声を入力から直接音声へと変換するaudio-to-audioのアプローチにより、中間テキストへの変換工程を省略または効率化し、遅延を数秒にまで抑えることを実現しています。 これにより、まるで隣に通訳者がいるかのような、途切れのない自然な多言語コミュニケーションが可能になるのです。
エンジニアへの影響と展望
Gemini 3.5 Live Translateの登場は、日本のエンジニアにとっても大きな影響を与えます。まず、グローバルな開発チームにおけるコミュニケーションが劇的に円滑化されるでしょう。言語の壁を意識することなく、リアルタイムでのディスカッションやペアプログラミングが可能になり、開発効率の向上が期待できます。また、「Gemini Live API」の公開により、多言語対応のアプリケーション開発のハードルが大きく下がります。 例えば、リアルタイム翻訳機能を組み込んだオンラインイベントプラットフォームや、海外の顧客ともスムーズに会話できるカスタマーサポートツール、あるいは音声中心の新しいソーシャルアプリなど、これまで実現が難しかったサービスの創出が加速するはずです。今後は、更なる低遅延化や対応言語の拡大はもちろん、非ネイティブのアクセントへの対応精度向上や、複数人が同時に話すような複雑な状況での翻訳能力の進化が期待されます。
📦