Google、Gemini 3.5 Live Translateを発表：リアルタイム音声相互翻訳で語調を保持

Googleはこのほど、2026年Google I/OカンファレンスにおいてGemini 3.5 Live Translate機能を正式に発表した。これは最新の大規模言語モデルGemini 3.5をベースとしたリアルタイム音声対音声翻訳技術である。従来のテキスト出力や合成音声のみの翻訳ツールとは異なり、Live Translateは元の話者の語調、話速、音高を精確に保持することができ、翻訳後の音声はまるで本人が目的言語で話しているかのように聞こえる。

コア機能：「翻訳」から「化身」へ

Ars Technicaの報道によれば、本機能はエンドツーエンドの音声エンコード・デコードアーキテクチャによって実現されている。システムはまず元音声の音響的特徴（感情、ポーズ、アクセントなどを含む）を解析し、Gemini 3.5の言語横断的理解能力と組み合わせて、これらの特徴を完全に保持した目的言語の音声を生成する。Googleによれば、騒がしい環境や異なるアクセントの場合でも、翻訳精度は98%以上に達するという。

さらに重要なのは、翻訳後の各音声セグメントにはSynthID電子透かしが埋め込まれることである。これはGoogle DeepMindが以前に開発した知覚不可能な音声マーキング技術である。SynthIDは、音声がAIによって生成されたものか、どのモデルによって生成されたかを検証でき、ディープフェイクや無許可の使用を防ぐことができる。

技術的ブレークスルー：AIが人間の声を「模倣」することを学ぶとき

従来の音声翻訳（Google翻訳の会話モードなど）には、2つのボトルネックが普遍的に存在していた。1つは翻訳遅延によるコミュニケーションの途切れ、もう1つは合成音声の不自然さである。Gemini 3.5 Live Translateは「ストリーミング・ニューラル翻訳」と「パーソナライズド音響モデル」を導入することで、エンドツーエンドの遅延を200ミリ秒以内に圧縮した。これは人間の会話における通常のポーズに相当する。同時に、システムは各話者ごとに動的に声紋指紋を構築し、翻訳後の音声が音色やリズムの面で原音声に近くなるように保証する。

しかしながら、このような能力は倫理的懸念も引き起こしている。スタンフォード大学AI倫理研究センターは、悪意ある使用者が他者の音声サンプルを利用して翻訳内容を偽造した場合、なりすましや偽情報の拡散を引き起こす可能性があると指摘している。これに対するGoogleの回答は、SynthID電子透かしの強制有効化、およびセンシティブな用途へのAPI開放の制限である。

業界への影響：国際間コミュニケーションの再定義

この技術は、ビジネス会議、国際ニュース生中継、外国語学習教育などの分野において深遠な意義を持つ。例えば、国連の同時通訳システムはLive Translateを補助として導入し、人件費を大幅に削減できる可能性がある。ストリーミングプラットフォームでは、複数言語の「原音声吹き替え」を同時に提供することも可能になる。編集者注：注目すべきは、言語は単なる情報の媒体ではなく、文化的アイデンティティの重要な一部であることだ。AIがあらゆる人の声を完璧に模倣して任意の言語を話せるようになったとき、私たちは言語の背後にある文化的独自性を失いつつあるのではないだろうか？Googleは明らかにこの矛盾を認識しており、機能内に「言語スタイルマーカー」を保持し、ユーザーが原言語の慣用表現やスラングを保持するかどうかを選択できるようにしている。

「Live Translateが語調を保持できるということは、将来人々は『外国語を話す』のではなく、直接『外国語で思考する人』になる可能性があることを意味します。我々はバベルの塔の最後の壁を打ち破ろうとしているのです」——GoogleのCEO Sundar Pichaiは発表会の実演後にこう述べた。

現在、本機能は英語、中国語、スペイン語、アラビア語間の相互翻訳を優先的にサポートしており、その他の言語は今後の四半期に順次開放される予定である。GoogleはこれをGoogle Meet、YouTubeおよびサードパーティアプリに統合する計画である。

結語と展望

Gemini 3.5 Live Translateは、AI音声翻訳が「ツール」から「エージェント」へと飛躍したことを象徴している。AIが人の声と感情を精確に再現できるようになったとき、それはもはや単なる翻訳ではなく、一種のデジタル分身となる。将来の仮想会議やメタバース上のソーシャル交流において、言語の障壁は完全に消失すると予見できる。しかし同時に、技術の悪用をどのように防止し、個人の音声指紋のプライバシーをどう保護するかが、次の重大な課題となるであろう。

本記事はArs Technicaから編訳した