Gemini 3.5 Live Translate: traducción de voz en tiempo casi real

Google DeepMind ha presentado Gemini 3.5 Live Translate, un modelo de audio que traduce el habla de un idioma a otro de forma continua, sin esperar a que el interlocutor termine la frase. Reconoce automáticamente más de 70 idiomas y reproduce la voz traducida conservando la entonación, el ritmo y el tono del hablante original. La compañía empezó a desplegarlo el 9 de junio de 2026 en Google Translate, Google Meet y a través de la API para desarrolladores.

La promesa es concreta: una conversación entre dos personas que no comparten idioma con un desfase de apenas unos segundos, en lugar de las pausas incómodas típicas de los traductores automáticos. Google lo enmarca en las dos décadas de historia de Google Translate, un servicio que, según la propia empresa, traduce ya más de un billón de palabras al mes para miles de millones de usuarios.

Qué cambia respecto a lo que ya existía

La diferencia técnica está en cómo procesa el audio. Los traductores de voz habituales funcionan por turnos: el sistema escucha una frase completa, la traduce y solo entonces la reproduce. El resultado es correcto pero mecánico, con silencios largos que rompen el ritmo de cualquier conversación real.

Gemini 3.5 Live Translate trabaja de otra manera. Genera el habla traducida de forma continua, en streaming, mientras el interlocutor sigue hablando. El modelo tiene que resolver un equilibrio delicado: esperar un poco más da más contexto y mejora la calidad de la traducción, pero traducir de inmediato mantiene la sincronía con quien habla. Según DeepMind, el sistema se mantiene solo unos segundos por detrás del hablante durante toda la sesión.

El otro salto es que preserva las características de la voz: la entonación, la velocidad y el tono. En la práctica, esto significa que una pregunta suena como una pregunta y no como una frase plana, algo que los traductores clásicos suelen perder por el camino. El modelo también admite entradas multilingües sin configuración manual y está diseñado para funcionar en entornos ruidosos e impredecibles.

Dónde llega y cuándo

Google está desplegando la herramienta en tres frentes con distintos niveles de acceso:

• Desarrolladores: en vista previa pública a través de la Gemini Live API y Google AI Studio.
• Empresas: en vista previa privada este mes dentro de Google Meet, para clientes seleccionados de Google Workspace.
• Usuarios generales: en la app de Google Translate para Android e iOS, con despliegue global.

El caso de Google Meet es el que ofrece cifras más claras del avance. La traducción de voz en la plataforma pasaba de admitir solo cinco idiomas a más de 70, y de traducir únicamente hacia y desde el inglés a permitir más de 2.000 combinaciones lingüísticas en una misma reunión. Es un cambio de escala que convierte una función marginal en algo utilizable para equipos realmente multinacionales. El despliegue amplio llegará más adelante este año.

En la app de Google Translate, basta con conectar unos auriculares para usar la traducción en directo. Para Android, además, Google introduce un "modo escucha": acercas el teléfono a la oreja como en una llamada normal y la traducción llega directamente por el auricular del propio móvil, sin auriculares externos. La empresa lo plantea para situaciones cotidianas —una visita guiada en otro idioma, por ejemplo— en las que quieres oír la traducción de forma discreta y no tienes cascos a mano.

Un ecosistema de socios para aplicaciones reales

La vía de la API es la que probablemente tenga más recorrido industrial. Plataformas de infraestructura de voz como Agora, Fishjam, LiveKit, Pipecat y Vision Agents ya integran la Gemini Live API. Estas empresas se encargan de la parte compleja —el streaming de audio en tiempo real— para que otros desarrolladores construyan sus propias aplicaciones de traducción de voz sin tener que resolver esa fontanería técnica.

Entre los casos que Google destaca está el de Grab, la superapp del sudeste asiático, que está probando el modelo para que conductores y pasajeros que hablan idiomas distintos se entiendan en los puntos de recogida. Según la compañía, esos usuarios realizan más de 10 millones de llamadas de voz al mes a través de la plataforma. Otras empresas como CJ ENM y LiveKit han compartido valoraciones positivas centradas en la calidad, la precisión y la baja latencia.

Los usos previstos van más allá de la conversación uno a uno: interpretación en directo para llamadas y reuniones multilingües, clases, doblaje simultáneo y retransmisiones.

La marca de agua invisible

Todo el audio que genera el modelo lleva SynthID, la marca de agua de Google DeepMind. Es una señal imperceptible incrustada directamente en la salida de audio que permite detectar que un contenido ha sido generado por IA. En el terreno de la voz sintética —donde la clonación y la suplantación son un riesgo evidente— ese rastreo es una salvaguarda relevante, aunque conviene recordar que su eficacia depende de que existan herramientas de verificación accesibles y de que otros actores no puedan eliminar la marca fácilmente.

Lo que hay que vigilar

Google no ha publicado métricas de precisión comparadas ni datos de latencia exactos más allá del "unos segundos por detrás", así que buena parte de la valoración real dependerá de cómo funcione en manos de usuarios y en idiomas menos habituales, donde los modelos de traducción suelen flaquear. Preservar el tono está muy bien, pero un error de traducción con voz natural y convincente puede resultar más engañoso que uno con voz robótica, precisamente porque suena a persona.

El lanzamiento llega en un momento en que otras grandes tecnológicas también invierten en traducción de voz en tiempo real, aunque Google no menciona explícitamente a competidores concretos en el anuncio. La ventaja de Google es la distribución: Translate, Meet y una API abierta a terceros le dan tres puntos de entrada distintos, desde el turista con el móvil en la oreja hasta la reunión corporativa con participantes en una decena de idiomas. El listón ya no es traducir bien, sino traducir rápido y sin romper la conversación. Ese es el terreno que Gemini 3.5 Live Translate pretende ocupar.