一言で言うと
Googleが2026年6月9日、音声翻訳モデル「Gemini 3.5 Live Translate」を発表しました。スピーカーの発話が終わるのを待たずに翻訳音声を連続生成する設計で、会話中の不自然な沈黙を短縮します。Google Meet では対応言語が5言語から70言語以上に、言語ペアの組み合わせが英語中心から2000以上へ広がります。
先に理解しておくこと
これまでの音声翻訳は「発話→変換→出力」という順序で処理するターンバイターン方式でした。相手が話し終わるまで翻訳音声を出力できないため、発話と翻訳の間に毎回ウェイティングタイムが生まれる設計です。
Gemini 3.5 Live Translate はこの前提を変え、発話中にモデルが継続的に音声を生成し始める方式を採用しています。
何が起きているのか
この発表は音声翻訳の設計思想の転換を示しています。Google Blogによると、モデルはスピーカーより数秒遅れて流暢な音声を提供する設計で、ターンバイターン方式で生まれていた待ちの沈黙を短縮します。話者のイントネーション・ペース・ピッチも保持して出力するとされており、声の調子を残した翻訳音声になります。
展開状況（2026年6月時点）:
- Google Meet（企業向け）: 対応言語が5から70言語以上へ拡大。英語とのペアリングのみだった制約がなくなり、2000以上の言語組み合わせに対応する。6月からプライベートプレビューが始まっている。
- Google Translate（Android）: 新しく「リスニングモード」を追加。端末を電話のように耳に当てると、翻訳音声がそのままストリーミングされる。
- Gemini Live ソフトウェア同士をつなぐ接続仕様（API: Application Programming Interface）: 開発者向けに公開プレビューが始まった。Agora・LiveKit・Pipecat などのプラットフォームと統合できる。
東南アジアで配車サービスを展開するGrabは、月間1000万件以上の音声通話にこのモデルを試験導入していることが発表されている。生成された音声にはSynthID（シンスID: AI生成コンテンツを識別する電子透かし技術）が全件適用され、AI生成音声として検出できる状態で配信される。
AI業界の文脈では
音声翻訳において「遅延の短縮」と「声調の保持」はそれぞれ独立した技術課題でした。遅延を短縮すると精度が落ちやすく、声調を保持しようとすると処理が重くなる、というトレードオフが一般的です。今回の発表はその両方に同時に対応を進めているとされています。
Google Meet でのこれまでの5言語・英語中心という制約は、組み合わせ爆発を防ぐ設計上の選択でした。70言語・2000組み合わせへの拡張は、このボトルネックが緩和されたことを示しています。
私の見立て
私の見立てでは、今回の発表で注目すべきは「数秒遅れ」という言葉を明記している点です。「リアルタイム」とは書かず「スピーカーより数秒遅れて」と書いていることは、能力の過大表示を避けた正直な表現です。同時通訳者が0.5〜1秒で追従するのと比べると、現時点では「同時通訳の完全代替」よりも「多言語会議の実用的な補助ツール」として位置づけた方が現実に近いと思います。
プライベートプレビューからの段階的展開というリリース設計は、多言語チームの会議コストという法人が実際に感じている課題から実績を積み上げる戦略として堅実です。Google Translate Android のリスニングモードは今すぐ試せる状態で展開されており、日常の言語バリアを下げる実用性を個人レベルで確認できる機会になります。
→ 何が変わるか: Gemini 3.5 Live Translate の展開により、Google Meet の多言語対応が5言語から70言語以上に広がり、英語を介さない2000以上の言語ペアが法人向けに使えるようになる。
→ 何をすべきか: - 開発者: Gemini Live API の公開プレビューへの参加を検討する。LiveKit・Pipecat との統合で音声翻訳機能をプロダクトに組み込める。 - グローバルチームのマネージャー: Google Meet のプライベートプレビューへの参加可否をIT部門に確認する。 - 個人ユーザー: Google Translate Android のリスニングモードを今すぐ試せる。