Google「Gemini 3.5 Live」音声翻訳発表

米Googleは、同社の翻訳サービス「Google 翻訳（Google Translate）」の誕生20周年を記念し、最新のリアルタイム音声翻訳AI（人工知能）モデル「Gemini 3.5 Live Translate」を発表しました。このモデルは日本語を含む70以上の言語に対応しており、対話相手の発話が終わるのを待たずに同時通訳のようにストリーミングで音声翻訳を生成することができます。すでに開発者向けのAPI（外部のプログラムから機能を呼び出す仕組み）提供のほか、iOSおよびAndroidアプリ等での一般提供も順次開始されています。

1. 同時通訳に近いストリーミング翻訳

従来の方式のように話し手が話し終えるのを待ってから翻訳を開始するのではなく、話し始めてから数秒遅れながらストリーミングで継続的に翻訳音声を生成・出力します。これにより、従来の同時通訳に近い流暢で途切れない会話体験が実現します。また、話し手のイントネーション（声の抑揚）やペース、ピッチ（声の高さ）などの特徴を維持したまま翻訳するため、極めて自然な会話体験が得られます。さらに、多言語入力の手動設定なしで自動的に話し言葉の言語を検出し、周囲のノイズにも強い耐性を持っています。

2. 多角的な展開領域

• ​一般ユーザー向け​: モバイル版の「Google 翻訳」アプリ（iOS/Android）にてグローバル展開がスタートしています。またAndroid向けには、ヘッドホンがなくても通常の電話のように耳に当てるだけで、受話口から直接翻訳音声を聞き取れる新機能「リスニングモード」が実装されます。
• ​ビジネス向け​: 「Google Meet」における音声翻訳機能が本モデルに刷新されます。従来は英語との相互間で5言語に制限されていましたが、今回の更新で70以上の言語に対応し、会議内で2,000を超える言語ペアでの会話が可能になります。今月から一部のGoogle Workspace法人顧客を対象にプライベートプレビューが始まり、年後半に一般公開される予定です。
• ​開発者向け​: 「Gemini Live API」および「Google AI Studio」にてパブリックプレビュー（モデル名: gemini-3.5-live-translate-preview）として提供が開始されています。Agora、Fishjam、LiveKit、Pipecat、Vision Agentsなどの主要なリアルタイムメディア配信プラットフォームにおいても、音声や映像インフラを構築するための主要なエンジンとして「Gemini Live API」の採用が進んでいます。

3. 実社会でのユースケースと安全性

Googleは本モデルの応用先として、多言語の通話、オンライン会議、授業、ライブ放送などを挙げています。すでにパートナーである東南アジアの配車大手Grabは、ドライバーと乗客が合流する際のコミュニケーション向けに本モデルの試験導入を開始しており、月間1,000万件を超える音声通話が発生するプラットフォームでの活用が期待されています。 また、生成されるすべての翻訳音声には、Googleの電子透かし技術である「SynthID（人工知能が生成したコンテンツであることを示す暗号識別子）」が不可聴域（人間の耳には聞こえない周波数帯）に埋め込まれます。これにより、のちに該当の音声がAIによって生成されたものであるかをシステム的に検証できるようにし、ディープフェイク（AIによる偽画像・音声）や誤情報の拡散といった悪用に備える安全策が施されています。

Gemini 3.5 Live Translateの登場は、ビジネスの国際的なオンライン会議や、旅行・日常生活でのコミュニケーションにおける言語の壁を大幅に引き下げる技術です。「話して、待って、翻訳を聞く」という不自然な会話のステップを解消し、Grabなどの配車サービスからGoogle Meetを利用したグローバル会議、多様な開発者プラットフォームに至るまで、インフラとしての音声AIの社会実装が本格的なフェーズに突入したと見られます。音声認識と自然な合成技術が実用的な同時通訳レベルに達したことで、今後はさらなる国際取引の円滑化や多国籍チームの協働が容易になると期待されます。