Gemini 3.5 Live Translate: cómo medir una traducción en directo

Google presentó el 9 de junio de 2026 Gemini 3.5 Live Translate, un modelo que recibe audio y genera voz traducida de forma continua. La empresa dice que detecta más de 70 idiomas, conserva entonación, ritmo y tono y se mantiene unos segundos por detrás de quien habla. Esas son afirmaciones del fabricante, no una comparación independiente.

El lanzamiento sirve para aprender a evaluar cualquier intérprete automático en directo. «Traduce bien» mezcla al menos tres problemas: exactitud del significado, retraso respecto al hablante y naturalidad de la voz sintetizada. Mejorar uno puede perjudicar otro. Además hay que medir cada pareja lingüística, acento, ruido y situación de turnos: anunciar 70 idiomas no demuestra la misma calidad en las más de 2.000 combinaciones posibles.

Continuo no significa simultáneo sin coste

Un sistema por turnos espera una pausa o el final de una intervención, procesa el segmento y responde. Gemini 3.5 Live Translate procesa una corriente de audio y empieza a producir la traducción mientras la entrada continúa. La documentación de la Live API distingue expresamente este modo del agente conversacional: la traducción trabaja sobre audio continuo, no admite instrucciones ni herramientas y recibe solo audio como entrada.

La dificultad lingüística no desaparece. En algunas parejas, el verbo, la negación o el género pueden conocerse tarde. Si el sistema espera, gana contexto y aumenta el retraso; si habla pronto, puede elegir antes de tener la información necesaria. Puede corregirse sobre la marcha, pero una rectificación audible también interrumpe la comprensión. «Casi en tiempo real» describe ese compromiso, no una ausencia de latencia.

Por eso no basta con cronometrar el primer sonido. La ficha del modelo dice que Google mide dos tiempos. La latencia inicial va desde el comienzo del habla fuente hasta el comienzo del audio traducido. La latencia por palabra alinea términos de entrada y salida y calcula cuánto pasa entre el final de una palabra fuente y el inicio de su equivalente. La segunda revela si el sistema empieza rápido pero se retrasa conforme avanza la sesión.

Qué lanzó Google y con qué acceso

Desde el 9 de junio, el modelo se ofrecía a desarrolladores en vista previa pública mediante Gemini Live API y Google AI Studio. Google Meet comenzaba una vista previa privada para determinados clientes empresariales de Workspace, con ampliación anunciada para más adelante en 2026. Google Translate iniciaba el despliegue global en Android e iOS. «Disponible» significaba, por tanto, cosas distintas según el producto.

En Meet, Google prometió pasar de cinco idiomas a más de 70 y dejar de limitar la traducción a pares con inglés como origen o destino. La empresa habló de más de 2.000 combinaciones en una reunión. En Translate, la función usa auriculares y, en Android, empezó a incorporar un modo de escucha por el auricular interno del teléfono. Son alcance y calendario declarados por Google; no constituyen por sí mismos evidencia de calidad uniforme.

Para desarrolladores, el identificador es gemini-3.5-live-translate-preview. La documentación prescribe audio PCM mono de 16 bits y 16 kHz como entrada, salida PCM a 24 kHz y fragmentos de 100 milisegundos. El servicio recibe un idioma objetivo y puede devolver transcripciones. No ofrece en este modo texto como entrada, llamadas a funciones, búsqueda ni instrucciones: es una tubería de traducción, no un agente general disfrazado.

Lo que la ficha mide y lo que no publica

Google organiza su evaluación en tres dimensiones. Para calidad de traducción usa una implementación interna de AutoMQM, una métrica que identifica y clasifica errores. Para latencia aplica las dos mediciones temporales descritas. Para naturalidad busca audio entrecortado, discontinuidades, desplazamiento de la voz y artefactos. Las salidas se generaron mediante Gemini Live API.

La ficha no muestra tablas con puntuaciones, parejas lingüísticas, tamaños de muestra, comparación con otros sistemas o resultados humanos por acento. Tampoco publica percentiles de latencia. Decir que Google evaluó esos ejes es correcto; decir que el modelo superó a un rival concreto o que rinde igual en todos los idiomas no lo es. La ausencia es especialmente importante en una función cuyo valor cambia si el retraso pasa de dos a cinco segundos o si los errores se concentran en un grupo.

La naturalidad también debe mantenerse separada de la fidelidad. Preservar una pregunta, una duda o el énfasis puede mejorar la comunicación. Pero una traducción semánticamente equivocada y pronunciada con la voz convincente del interlocutor puede inspirar más confianza que una voz robótica. Una prueba no puede dar por compensado un error de significado porque el audio resulte agradable.

Las limitaciones que Google sí declara

La ficha advierte que la voz puede cambiar tras pausas largas, cambiar de género o quedarse fijada en una sola voz cuando varios hablantes intervienen rápidamente. La detección de idioma puede fallar con acentos no nativos, idiomas parecidos o cambios rápidos de lengua. El sistema intenta filtrar ruido, pero no ignora todo el audio de fondo; una opción que repite el idioma objetivo puede introducir artefactos cuando hay música o ruido.

Estos no son casos marginales para una herramienta de conversación. Una recogida de pasajeros puede combinar nombres propios, ruido de tráfico y hablantes que se pisan. Una reunión puede alternar términos ingleses dentro del español. Una clase puede tener eco y voces alejadas. La prueba útil reproduce esas condiciones en vez de evaluar únicamente grabaciones limpias de una persona por turno.

Google afirma que todas las salidas de audio generadas llevan SynthID, una marca de agua imperceptible. Eso aporta una señal de procedencia dentro del ecosistema compatible. No demuestra por sí solo que cualquier receptor pueda detectarla, cuánto resiste cada transformación o que un audio sin marca sea humano. La procedencia necesita conservar además el origen, la versión del servicio y el registro de la sesión cuando el contexto lo permita.

Un banco de pruebas para cualquier traducción de voz

Primero se construye una matriz, no una demostración: cada dirección lingüística por separado, acentos nativos y no nativos, habla lenta y rápida, una y varias voces, ruido, nombres propios, números y alternancia de idiomas. Traducir español a inglés no permite inferir el resultado de inglés a español, y menos aún de dos lenguas con pocos datos entre sí.

Segundo, personas bilingües anotan errores por gravedad. Una preferencia de estilo no pesa lo mismo que invertir una negación, cambiar una dosis, confundir quién aceptó una condición o alterar una fecha. Se registra también omisión, adición y corrección tardía. Una media de calidad debe acompañarse del número de errores críticos.

Tercero, se mide retraso como distribución. Hay que publicar mediana y percentiles altos para inicio y palabras alineadas, duración de la sesión y red usada. El promedio puede ocultar pausas que rompen una conversación. Cuarto, se evalúa naturalidad por separado, incluida la estabilidad de identidad vocal entre pausas y hablantes.

Quinto, se prueba la tarea real. En una reunión, ¿los participantes asignan correctamente decisión, responsable y plazo? En una visita, ¿entienden la instrucción? En atención al cliente, ¿ambas partes pueden reparar una mala traducción? Para medicina, derecho o emergencias, la salida no debe sustituir a un intérprete cualificado sin un protocolo específico y validado.

La regla que queda después del lanzamiento

La distribución de Google —Translate, Meet y una API— puede llevar la función desde un teléfono hasta productos de terceros. El modelo también está en preview y su propia documentación expone fallos relevantes. Ambas cosas pueden ser ciertas a la vez.

Ante el próximo anuncio, conviene pedir una tabla con calidad por dirección lingüística y condición acústica, percentiles de latencia, estabilidad vocal y errores críticos. Hasta que exista, «más de 70 idiomas» describe cobertura nominal y «unos segundos» resume una promesa del fabricante. Evaluar bien significa no convertir ninguna de las dos en una garantía universal.