Gemini 3.5 Live Translate: dịch giọng nói thời gian thực 70+ ngôn ngữ

Gemini 3.5 Live Translate là mô hình âm thanh mới nhất của Google, mang tới khả năng dịch giọng nói sang giọng nói gần thời gian thực ở hơn 70 ngôn ngữ. Hai mươi năm sau thử nghiệm machine learning đầu tiên về dịch thuật, Google đưa “phép màu kết nối con người” lên một tầm mới: bản dịch mượt, tự nhiên, giữ đúng ngữ điệu và nhịp của người nói. Bài viết giải thích Gemini 3.5 Live Translate là gì, cách hoạt động và nơi dùng.

Gemini 3.5 Live Translate là gì?

Gemini 3.5 Live Translate tự động nhận diện hơn 70 ngôn ngữ và tạo ra giọng nói đã dịch nghe tự nhiên, giữ nguyên ngữ điệu, nhịp và cao độ của người nói. Khác với hệ thống “lần lượt” (turn-by-turn) phải đợi người nói dứt câu mới phản hồi, mô hình này tạo lời nói liên tục — cân bằng giữa việc chờ thêm ngữ cảnh để dịch chính xác và dịch ngay để bám sát người nói. Kết quả là âm thanh trôi chảy, không có khoảng dừng gượng gạo, và chỉ trễ vài giây trong suốt phiên.

Xây ứng dụng với Gemini Live API

Mô hình xử lý lời nói ngay khi được truyền (streaming), tạo kết nối liền mạch giữa các ngôn ngữ mà không cần cấu hình thủ công cho đầu vào đa ngữ. Khả năng chống nhiễu giúp ứng dụng hoạt động tốt trong môi trường ồn ào, khó đoán. Nhờ đó, nhà phát triển có thể làm phiên dịch trực tiếp cho cuộc gọi, cuộc họp, bài giảng hay buổi phát sóng đa ngôn ngữ.

Qua Gemini Live API, các nền tảng như Agora, Fishjam, LiveKit, Pipecat và Vision Agents giúp lập trình viên triển khai ứng dụng dịch giọng nói dễ dàng — họ lo phần hạ tầng streaming thời gian thực phức tạp để bạn tập trung vào trải nghiệm. Đáng chú ý, Grab đang thử nghiệm mô hình để hỗ trợ giao tiếp đa ngôn ngữ gần thời gian thực giữa tài xế và hành khách lúc đón — nhóm người dùng thực hiện hơn 10 triệu cuộc gọi thoại mỗi tháng.

Dịch trực tiếp ngay trong Google Meet

Tính năng dịch lời nói trong Google Meet sẽ sớm dùng Gemini 3.5 Live Translate, với những cải thiện lớn:

• Hơn 70 ngôn ngữ, thay vì giới hạn chỉ 5 ngôn ngữ trước đây.
• Hơn 2000 tổ hợp ngôn ngữ trong một cuộc họp, thay vì chỉ dịch qua lại với tiếng Anh.
• Giao diện mới cho phép truy cập tức thì tính năng dịch lời nói.

Bản cập nhật ra mắt ở dạng private preview cho một số khách hàng Google Workspace doanh nghiệp trong tháng này, rồi mở rộng vào cuối năm. Thời điểm khả dụng tại Việt Nam chưa được công bố chi tiết.

Dùng ngay trong ứng dụng Google Translate

Mô hình cũng đang được triển khai trên ứng dụng Google Translate (Android và iOS) toàn cầu. Khi dùng tính năng Live translate, chỉ cần kết nối tai nghe bất kỳ để trải nghiệm bản dịch mượt hơn, phản chiếu đúng tông giọng người nói ở hơn 70 ngôn ngữ.

Riêng người dùng Android còn có “listening mode” mới: nghe bản dịch trực tiếp qua loa thoại của điện thoại — chỉ cần áp máy lên tai như một cuộc gọi thường. Cách này tiện khi bạn muốn nhanh chóng nghe bản dịch mà không để người khác nghe thấy và không có sẵn tai nghe (ví dụ nghe tour du lịch tiếng Tây Ban Nha dịch sang tiếng Anh).

Đóng dấu chìm SynthID

Mọi âm thanh do mô hình tạo ra đều được đóng dấu chìm SynthID — dấu hiệu không thể nhận biết bằng tai, dệt thẳng vào đầu ra âm thanh để nội dung do AI tạo vẫn có thể phát hiện được, góp phần ngăn thông tin sai lệch.

Ý nghĩa với người dùng Việt Nam

Với một đất nước hội nhập như Việt Nam, dịch giọng nói gần thời gian thực mở ra nhiều ứng dụng thực tế: họp đa quốc gia trên Google Meet, hỗ trợ khách du lịch, đào tạo trực tuyến xuyên ngôn ngữ hay dịch vụ chăm sóc khách hàng. Việc giữ đúng ngữ điệu và độ trễ thấp khiến hội thoại tự nhiên hơn hẳn so với phụ đề tĩnh, trong khi SynthID giúp minh bạch nguồn gốc nội dung.

Kết luận

Gemini 3.5 Live Translate đưa rào cản ngôn ngữ tiến gần hơn tới điểm “biến mất”: dịch nói-sang-nói liên tục, giữ tông giọng, hỗ trợ 70+ ngôn ngữ và có mặt từ Live API, Google Meet tới Google Translate. Đây là bước tiến đáng chú ý cho mọi tổ chức và cá nhân làm việc xuyên ngôn ngữ.

Theo dõi Office365Vietnam.info để cập nhật các phân tích mới nhất về Microsoft 365, Copilot và hệ sinh thái AI doanh nghiệp.