模型定位
Gemini 3.5 Live Translate 是面向低延迟实时语音翻译的音频模型。Google 于 2026 年 6 月 9 日发布该模型,并宣布通过 Gemini Live API 和 Google AI Studio 向开发者提供公开预览。(blog.google)
能力与用途
- 自动识别 70 多种语言,连续处理流式语音,生成译后语音,尽量保留说话人的语调、语速和音高;公告称译文通常落后原声数秒。(blog.google)
- API 模型文档列出的输入为语音,输出为译后音频和文本转录;支持 Live API。文档列出的输入上限为 131,072 tokens,输出上限为 65,536 tokens。(ai.google.dev)
- 可用于多语言通话、会议、课程和广播等场景。发布公告还介绍了 Google Translate 移动应用的部署,以及面向部分企业客户的 Google Meet 私有预览计划。生成的音频带有 SynthID 水印。(blog.google)
限制
- 该 API 版本为预览版。模型文档列明不支持上下文缓存、函数调用、代码执行、搜索接地、结构化输出、思考和批处理等功能。(ai.google.dev)
- 官方模型卡指出,长时间停顿或多人快速交谈时声音可能不一致;非母语口音、相近语言或快速切换语言可能影响语言识别;背景声音也不一定能被完全过滤。(storage.googleapis.com)
价格
Gemini Developer API 标准层级,美元(USD):官方定价页的搜索索引显示,付费层级音频输入为 3.50 美元/百万 tokens,音频输出为 21.00 美元/百万 tokens;免费层级的输入和输出列为免费。该页面以每秒音频 25 tokens 估算,分别约为输入 0.0053 美元/分钟、输出 0.0315 美元/分钟,合计约 0.0368 美元/分钟;实际按输入和输出音频 token 总消耗计费。(ai.google.dev)
查询日期:2026 年 11 月 16 日。上述价格来自官方页面的搜索索引;查询时定价页直接读取重定向失败,因此当前页面价格未能直接复核,使用前应再次核对。其他平台或套餐价格未核实。