Google 语言 AI 覆盖 300 种语言，推出 TranslateGemma 与 SL2T
来源Google AI Blog查看原文
速览
- Google 语言技术覆盖 300 多种语言、70 亿人，占全球人口 86%
- 研究重点从文本翻译转向直接处理音频，捕捉语气、情绪与语码转换
- Gemini 3.5 Live Translate 支持 70 种语言、2000 多个语言对实时翻译
- 1,000 Languages Initiative 目标覆盖全球 1000 种最常用语言
- 通过 WAXAL、Project Vaani、Amplify 与本地社区共建语言数据集
- TranslateGemma 让 55 种语言的高质量翻译可在设备端离线完成
- Viamo 的 AVA 让功能机用户通过语音使用 Gemini，已答 200 多万问题
- SL2T 支持 50 多种手语，Pixel 11 上先落地 ASL 转英文
- Google 与毛利语专家合作改进 Google Maps 地名发音
Google 于 9 月 15 日发布博客，由 SVP James Manyika 署名，介绍其在多语言 AI 上的进展。Google 称其技术与产品目前支持 300 多种语言、覆盖超过 70 亿人，占全球人口 86%；Google Translate 自 2006 年推出以来已从少数语言扩展到 250 多种。Google 表示正从纯文本翻译转向「原生音频智能」，让 Gemini 直接处理音频并理解语气、情绪与语码转换，其中 Gemini 3.5 Live Translate 支持 70 种语言、2000 多个语言对的实时口语翻译，Gemini 3.5 Transcribe 为其最精确的语音转文本模型，并驱动 Android Gboard 的 Rambler 功能。数据层面，Google 与 Makerere University、Digital Umuganda 等合作推出覆盖 27 种撒哈拉以南非洲语言的 WAXAL 数据集，与印度理工学院（IISc）和 Bhashini 合作的 Project Vaani 已采集 109 种语言、超 3 万小时语音、来自 15.5 万多名说话者，Amplify Initiative 联合 1600 多名本地专家与 20 所大学贡献 1.5 万个多模态数据点。为应对网络覆盖不足，Google 推出基于 Gemini 的轻量开源翻译模型 TranslateGemma，覆盖 55 种语言、可端侧运行；并支持 Viamo 的语音助手 AVA 在卢旺达试点，已用 Gemini 回答超 200 万个问题。无障碍方面，Sign Language-to-Text（SL2T）覆盖 50 多种手语，在 Pixel 11 的 Gboard 与 Live Transcribe 上支持 ASL 转英文。
关键事实
- Google 称其技术与产品支持 300 多种语言，覆盖超 70 亿人，占全球人口 86%
- Google Translate 从 2006 年推出时的少数语言扩展到今天的 250 多种
- Gemini 3.5 Live Translate 支持 70 种语言、2000 多个语言对的实时口语翻译
- Universal Speech Model 基于 1200 万小时音频训练，采用跨语言迁移学习
- WAXAL 数据集覆盖 27 种撒哈拉以南非洲语言，使用者超 1 亿人，横跨 26 个以上国家
- Project Vaani 已采集 109 种语言、超 3 万小时语音，来自 15.5 万多名说话者
本站视角
对中文开发者与国内做 Agent、语音交互、出海产品的团队来说，这份清单里最值得跟进的不是 300 种语言这个总量数字，而是三个具体信号。第一，Gemini 3.5 Live Translate 把实时口语翻译做到 70 种语言、2000 多个语言对，并明确强调处理 code-switching（如 Spanglish、Hinglish）——这恰好是中文场景里最常见的痛点：中英夹杂、方言与普通话混说。国内做会议转录、跨境客服、直播字幕的团队，此前大多靠 ASR+MT+TTS 三段式管线拼接，延迟和错误会逐级放大；Google 这次押注的是端到端音频理解，如果效果成立，级联方案的成本结构会被重新定义。第二，TranslateGemma 是开源且可端侧运行的 55 语言翻译模型，这对做离线翻译、隐私敏感场景、以及硬件出货量大的厂商（翻译机、耳机、车机）是直接可用的选项，但也要注意 Google 未公布模型参数量、许可条款与实测质量，是否真能在中低端芯片上跑出可用体验，需要等第三方评测。第三，SL2T 与 AVA 代表两条被长期忽视的路径：手语转文本和功能机语音助手。前者对国内做无障碍产品的团队是明确的方向提示，后者说明「用 Gemini 服务非智能手机用户」在商业上已被验证到 200 万次问答的规模。 我们的判断是：这是一次扎实的工程与数据投入汇总，而非单纯的营销发布——WAXAL、Project Vaani、Amplify 的规模数字（27 种语言、3 万小时、1.5 万个数据点）具体且可核查，1200 万小时音频训练的 Universal Speech Model 也是既有事实。但需要指出两点可疑之处：其一，博客由 Google 自己发布，所有性能表述（「最精确的语音转文本模型」「自然捕捉情绪线索」）均无第三方 benchmark 或错误率数据支撑，属于厂商自述，读者应保留判断；其二，300 种语言、86% 全球人口这类覆盖数字衡量的是「支持」，而非「质量达标」，低资源语言的翻译与识别质量通常与高资源语言差距明显，Google 并未披露分语言的质量分布。对国内团队而言，真正需要观察的是：Gemini 3.5 Live Translate 的 code-switching 能力在中文-英文、普通话-方言混合场景下的实测表现，以及 TranslateGemma 的开源许可是否允许商用。这两点决定了它是可以纳入技术选型的选项，还是只能作为方向参考。
背景与影响
Google 在多语言 AI 上的投入已持续多年：2006 年推出 Google Translate，2022 年公布 1,000 Languages Initiative，并推出 Universal Speech Model 作为支撑超多语言语音识别的底座。此次博客是这一路线的一次阶段性汇总，把语音模型、开源数据集、端侧模型与无障碍功能放在同一叙事下。值得注意的是，Google 强调的「原生音频智能」与业界近两年从「语音转文字再处理」的级联式管线转向端到端音频理解的趋势一致，Gemini 3.5 系列被定位为这一转变的载体。数据层面，WAXAL、Project Vaani、Amplify 这类与本地大学和社区共建的开源数据集，既是模型能力的来源，也是 Google 在低资源语言上争取社区信任与合规合法性的方式。TranslateGemma 与 Viamo 的 AVA 则指向另一个现实：全球仍有超 30 亿人缺乏可靠网络，端侧模型与功能机语音助手是触达这部分用户的两条路径。这意味着 Google 在多语言赛道上的竞争点，正从「支持多少种语言」转向「在离线、低端设备、非标准语音等约束下能否可用」。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。