Google wypuszcza Gemini 3.5 Live Translate. Tłumaczenie mowy w ponad 70 językach, z zachowaniem głosu mówiącego
Google udostępnia Gemini 3.5 Live Translate, model audio tłumaczący mowę na mowę niemal w czasie rzeczywistym. System sam rozpoznaje ponad 70 języków i zachowuje intonację, tempo oraz wysokość głosu rozmówcy. Trafia do Tłumacza Google, a wkrótce także do Google Meet.
Google ogłosił nowy model 9 czerwca na firmowym blogu. Gemini 3.5 Live Translate różni się od dotychczasowych systemów tłumaczenia mowy jednym zasadniczym elementem: nie czeka, aż rozmówca skończy zdanie. Model przetwarza dźwięk strumieniowo i generuje przekład na bieżąco, balansując między oczekiwaniem na szerszy kontekst a płynnością rozmowy. W praktyce opóźnienie wynosi kilka sekund i utrzymuje się na stałym poziomie przez całą sesję.
Według Google model automatycznie wykrywa ponad 70 języków i tworzy naturalnie brzmiącą mowę, która zachowuje intonację, tempo i wysokość głosu mówiącego. Nie trzeba ręcznie ustawiać pary językowej. Firma zapewnia też, że system radzi sobie w głośnym, nieprzewidywalnym otoczeniu.
Gdzie pojawi się nowy model
Wdrożenie ruszyło od razu na trzech frontach. Deweloperzy dostają model w publicznym podglądzie przez Gemini Live API i Google AI Studio. Wybrani klienci biznesowi Google Workspace przetestują go w Google Meet w prywatnym podglądzie jeszcze w czerwcu. Wszyscy użytkownicy otrzymują go globalnie w aplikacji Tłumacz Google na Androida i iOS.
Dla Meet to spora zmiana. Dotychczasowe tłumaczenie mowy w tej usłudze obsługiwało tylko pięć języków i działało wyłącznie w parach z angielskim. Po wdrożeniu nowego modelu liczba języków wzrośnie do ponad 70, co według Google daje przeszło 2000 możliwych kombinacji językowych w jednym spotkaniu.
Tryb słuchania na Androidzie
W aplikacji Tłumacz Google na Androidzie pojawia się dodatkowo "tryb słuchania". Jak podaje firma, przetłumaczony dźwięk można odsłuchać bezpośrednio przez głośnik do rozmów, przykładając telefon do ucha jak przy zwykłym połączeniu. To rozwiązanie na sytuacje, gdy nie mamy pod ręką słuchawek, a nie chcemy puszczać tłumaczenia na cały głos. Z funkcją "live translate" współpracują też dowolne słuchawki.
Znak wodny w każdym wygenerowanym dźwięku
Google zabezpiecza się przed nadużyciami. Każde audio wygenerowane przez Gemini 3.5 Live Translate otrzymuje znak wodny SynthID, wpleciony bezpośrednio w sygnał dźwiękowy, a nie dodany jako osobne metadane. Według firmy oznaczenie pozostaje wykrywalne nawet po obróbce lub modyfikacji nagrania. Chodzi o to, by dało się odróżnić syntetyczny głos od prawdziwego i ograniczyć ryzyko dezinformacji.
Gemini 3.5 Live Translate należy do rodziny modeli Gemini 3.5, zaprezentowanej podczas Google I/O 19 maja. Skala, na jakiej Google operuje w tłumaczeniach, robi wrażenie: Tłumacz Google obchodził w kwietniu 20. urodziny, ma ponad miliard użytkowników miesięcznie, obsługuje blisko 250 języków i przekłada około biliona słów miesięcznie.
Źródło: blog Google, PPC Land
Płać kartą Provi Sm@rt i zyskaj łącznie do 1000 zł
To jest link afiliacyjny. Przed złożeniem wniosku sprawdźcie aktualny regulamin promocji. Jeśli skorzystacie z linku - wesprzecie moją pracę. Mogę otrzymać prowizję.
