Hai mươi năm trước, dịch thuật tại Google bắt đầu như một trong những thí nghiệm học máy tiên phong của chúng tôi, nhằm biến khoa học ngôn ngữ thành sự kỳ diệu của kết nối con người. Thí nghiệm đó đã tiến một chặng đường dài với hơn một nghìn tỷ từ được dịch cho hàng tỉ người dùng trên các sản phẩm của chúng tôi mỗi tháng.
Hôm nay, chúng tôi đang tiến bước tiếp theo với việc phát hành Gemini 3.5 Live Translate, mô hình âm thanh mới nhất của chúng tôi cho dịch thuật giọng nói thời gian thực.
Mô hình tự động nhận diện hơn 70 ngôn ngữ và tạo ra giọng nói dịch thuật tự nhiên, mượt mà, giữ nguyên ngữ điệu, nhịp độ và cao độ của người nói. Không giống như các hệ thống theo lượt chờ người nói kết thúc mới phản hồi, 3.5 Live Translate tạo ra giọng nói liên tục, cân bằng giữa việc chờ đợi ngữ cảnh để cải thiện chất lượng và dịch ngay lập tức để đồng bộ với người nói. Nó mang đến âm thanh trôi chảy không có khoảng dừng khó xử và chỉ chậm hơn người nói vài giây trong suốt phiên.
Gemini 3.5 Live Translate đang được triển khai từ hôm nay trên các sản phẩm của Google:
- Dành cho nhà phát triển trong bản xem trước công khai qua Gemini Live API và Google AI Studio
- Dành cho doanh nghiệp trong bản xem trước riêng tư bắt đầu từ tháng này trên Google Meet
- Dành cho tất cả mọi người qua Google Translate trên Android và iOS
Xây dựng với 3.5 Live Translate
Gemini 3.5 Live Translate xử lý giọng nói khi nó được truyền trực tuyến, cho phép kết nối liền mạch hơn giữa các ngôn ngữ. Mô hình xử lý đầu vào đa ngôn ngữ mà không cần cấu hình thủ công. Đồng thời, khả năng chống nhiễu của nó đảm bảo các ứng dụng có thể xử lý môi trường ồn ào, khó đoán. Bạn có thể sử dụng các khả năng của nó để hỗ trợ phiên dịch trực tiếp cho các cuộc gọi đa ngôn ngữ, cuộc họp, bài học, chương trình phát sóng và hơn thế nữa.
Xem Gemini Live API hoạt động, cho phép lồng tiếng và dịch thuật đa ngôn ngữ đồng thời. Xem thêm bản demo hoặc mã ví dụ khác trong Gemini Cookbook.
Bằng cách sử dụng Gemini Live API, các nền tảng dành cho nhà phát triển như Agora, Fishjam, LiveKit, Pipecat và Vision Agents cho phép các nhà phát triển xây dựng và triển khai các ứng dụng dịch giọng nói một cách dễ dàng. Các tích hợp này xử lý cơ sở hạ tầng truyền phát đa phương tiện thời gian thực phức tạp, để các nhà phát triển có thể tập trung vào trải nghiệm người dùng.
Các đối tác của chúng tôi tại Grab đang thử nghiệm mô hình này để cho phép giao tiếp đa ngôn ngữ gần như thời gian thực giữa tài xế và khách du lịch tại điểm đón. Những người dùng này thực hiện hơn 10 triệu cuộc gọi thoại mỗi tháng qua Grab.
Trải nghiệm 3.5 Live Translate trong các cuộc họp video của bạn
Dịch thuật giọng nói trong Google Meet sẽ sớm sử dụng 3.5 Live Translate, cải thiện trải nghiệm bằng cách:
- Cung cấp hơn 70 ngôn ngữ, cải tiến so với giới hạn trước đây chỉ năm ngôn ngữ,
- Cho phép hội thoại qua hơn 2000 tổ hợp ngôn ngữ trong một cuộc họp, mở rộng từ trạng thái trước đây chỉ dịch từ và sang tiếng Anh,
- Cập nhật giao diện để cung cấp quyền truy cập tức thì vào dịch thuật giọng nói.
Chúng tôi đang ra mắt bản cập nhật này trong bản xem trước riêng tư cho một số khách hàng doanh nghiệp Google Workspace chọn lọc bắt đầu từ tháng này, tiếp theo là triển khai rộng rãi hơn vào cuối năm nay.
Nhận 3.5 Live Translate trong ứng dụng Google Translate trên Android hoặc iOS
Mô hình này cũng đang được triển khai trên ứng dụng Google Translate trên toàn cầu, trên cả Android và iOS. Khi sử dụng tính năng Dịch trực tiếp, chỉ cần kết nối bất kỳ cặp tai nghe nào để trải nghiệm bản dịch liền mạch hơn, phản ánh giọng điệu của người nói trên hơn 70 ngôn ngữ.
Đối với người dùng Android, chúng tôi cũng bắt đầu triển khai 'chế độ nghe' mới với 3.5 Live Translate cho phép bạn nghe bản dịch trực tiếp qua loa tai nghe của điện thoại. Chỉ cần áp điện thoại vào tai như một cuộc gọi thông thường và âm thanh đã dịch sẽ truyền trực tiếp đến bạn. Trải nghiệm mới này có thể hữu ích trong các tình huống bạn muốn nhanh chóng nghe bản dịch mà không để người khác nghe thấy và bạn không có sẵn tai nghe.
Được đóng dấu bản quyền bằng SynthID
Tất cả âm thanh do các mô hình của chúng tôi tạo ra đều được đóng dấu bản quyền bằng SynthID. Dấu bản quyền vô hình này được đan trực tiếp vào đầu ra âm thanh, đảm bảo nội dung do AI tạo ra vẫn có thể được phát hiện để giúp ngăn chặn thông tin sai lệch. Để biết chi tiết về cách tiếp cận của chúng tôi đối với sự an toàn và trách nhiệm, hãy xem xét thẻ mô hình.
