Google เปิดตัว Gemini 3.5 Live Translate โมเดลเสียงตัวใหม่ที่แปลเสียงพูดเป็นเสียงพูดได้แบบเกือบเรียลไทม์ใน 70 ภาษา โดยยังคงรักษาโทนเสียงและจังหวะของผู้พูดเดิมไว้ได้อย่างเป็นธรรมชาติ พร้อมทยอยเปิดให้ใช้งานตั้งแต่วันนี้ในผลิตภัณฑ์หลายตัว ทั้ง Google Meet, Google Translate และ Gemini Live API สำหรับนักพัฒนา
แปลต่อเนื่อง ไม่ต้องรอให้พูดจบ
สิ่งที่ทำให้ Gemini3.5 Live Translate ต่างจากระบบแปลแบบเดิมคือวิธีที่มันประมวลผลเสียง ระบบเก่าที่ใช้กันอยู่ทั่วไปทำงานแบบ “สลับกันพูด” คือต้องรอให้ผู้พูดพูดจบก่อน แล้วจึงแปล ทำให้การสนทนามีจังหวะหยุดที่น่าอึดอัดระหว่างการแปลแต่ละครั้ง
ทั้งหมดถูกแก้ปัญหานี้ด้วยการประมวลผลเสียงขณะที่กำลังสตรีมอยู่ รักษาสมดุลระหว่างการรอฟังบริบทเพื่อความแม่นยำ กับการแปลทันทีเพื่อให้ทันผู้พูด ผลลัพธ์คือเสียงแปลที่ดีเลย์ตามหลังผู้พูดเพียงไม่กี่วินาทีตลอดการสนทนา
โมเดลนี้ตรวจจับภาษาได้โดยอัตโนมัติโดยไม่ต้องตั้งค่าล่วงหน้า รองรับการรับอินพุตหลายภาษาในคราวเดียว และมีความสามารถในการตัดเสียงรบกวนพื้นหลัง ทำให้ใช้งานได้แม้ในสภาพแวดล้อมที่มีเสียงดัง เช่น การประชุมแบบ hybrid หรือสถานที่สาธารณะ
Google Meet ขยายจาก 5 เป็น 70 ภาษา เปิด 2,000 คู่ภาษา
ผลกระทบที่ชัดเจนที่สุดในระยะสั้นจะเห็นใน Google Meet ซึ่งกำลังอัปเกรดฟีเจอร์การแปลเสียงพูดมาใช้ Gemini 3.5 LiveTranslate การอัปเดตนี้ขยายจำนวนภาษาที่รองรับจาก 5 ภาษา เป็นมากกว่า 70 ภาษา และเปิดให้แปลข้ามคู่ภาษาได้มากกว่า 2,000 คู่ภาษาในการประชุมเดียว จากเดิมที่กำหนดให้ภาษาอังกฤษต้องเป็นภาษาต้นทางหรือปลายทางเสมอ
Google วางแผนเปิดให้ลูกค้า Google Workspace Business บางกลุ่มใช้งานในรูปแบบ Private Preview ตั้งแต่เดือนมิถุนายน 2026 ก่อนขยายการใช้งานในวงกว้างช่วงปลายปี การเปลี่ยนแปลงนี้มีนัยสำคัญสำหรับองค์กรในเอเชียที่ต้องประชุมข้ามภาษาบ่อยครั้ง เช่น ไทย-ญี่ปุ่น หรือ เวียดนาม-เกาหลี โดยไม่จำเป็นต้องพึ่งพาภาษาอังกฤษเป็นสะพานกลางอีกต่อไป
Grab นำไปทดสอบกับ 10 ล้านสายโทรต่อเดือน
Grab เป็นหนึ่งในพาร์ทเนอร์รายแรกที่ทดสอบโมเดลนี้ในสภาพแวดล้อมจริง โดยนำไปใช้กับการโทรระหว่างคนขับและผู้โดยสารที่เกิดขึ้นมากกว่า 10 ล้านครั้งต่อเดือนในหลายประเทศทั่วเอเชียตะวันออกเฉียงใต้ รวมถึงไทย วัตถุประสงค์คือให้คนขับและผู้โดยสารที่พูดคนละภาษาสามารถสื่อสารกันได้แบบเกือบเรียลไทม์ โดยไม่ต้องพิมพ์ข้อความหรือใช้แอปแปลแยกต่างหาก
นอกจาก Grab แล้ว แพลตฟอร์มสำหรับนักพัฒนาอย่าง Agora, LiveKit, Pipecat, Fishjam และ VisionAgents ต่างก็ผสานการทำงานกับ Gemini Live API เพื่อให้สามารถสร้างแอปพลิเคชันแปลเสียงได้โดยไม่ต้องจัดการโครงสร้างพื้นฐานการสตรีมแบบเรียลไทม์เอง และ CJ ENM บริษัทสื่อจากเกาหลีใต้ก็กำลังทดสอบสำหรับผู้ชมเนื้อหาบันเทิงที่ใช้หลายภาษา
Listening Mode และ SynthID: ฟีเจอร์ใหม่ที่มาพร้อมกัน
สำหรับผู้ใช้ทั่วไป Google Translate บน Android และ iOS จะทยอยอัปเดตมาใช้ Gemini3.5 Live Translate ในฟีเจอร์แปลสด และยังมาพร้อม “โหมดการฟัง” (Listening Mode) ใหม่บน Android ที่เปลี่ยนวิธีการใช้งานได้อย่างมีนัยสำคัญ แค่ยกโทรศัพท์แนบหูเหมือนการรับสาย เสียงแปลก็จะสตรีมตรงมาที่หูฟังในโทรศัพท์ทันที โดยไม่ต้องมีหูฟังภายนอก เหมาะสำหรับการฟังไกด์นำเที่ยวต่างภาษา การฟังบรรยายในงานสัมมนา หรือการสื่อสารในสถานการณ์ที่ไม่อยากให้คนรอบข้างได้ยิน
ในด้านความปลอดภัย เสียงทั้งหมดที่ Gemini 3.5 Live Translate สร้างขึ้นจะถูกฝังลายน้ำดิจิทัลด้วย SynthID ซึ่งเป็นระบบของ Google DeepMind ที่ฝังสัญญาณที่ตรวจจับได้เข้าไปในเสียงโดยตรง โดยไม่กระทบต่อคุณภาพการฟัง เพื่อให้สามารถระบุได้ว่าเสียงนั้นถูกสร้างหรือแปลโดย AI หรือไม่ ซึ่งช่วยลดความเสี่ยงจากการนำเสียงที่แปลแล้วไปใช้ในบริบทที่บิดเบือนข้อมูล
การเปิดตัว Gemini 3.5 Live Translate สะท้อนทิศทางที่ชัดเจนของ Google ในการผลักดันให้ AI ทำลายกำแพงภาษาในการสื่อสารแบบเรียลไทม์ ไม่ใช่แค่แปลข้อความ หลังจากที่ทำงานด้านการแปลภาษามากว่า 20 ปี นับจากวันที่ Google Translate เริ่มต้นจากการทดลองในยุคบุกเบิกของแมชชีนเลิร์นนิง สิ่งที่น่าจับตามองต่อจากนี้คือระบบนิเวศของแอปพลิเคชันที่สร้างบน Gemini Live API จะขยายการใช้งานการแปลเสียงไปสู่อุตสาหกรรมใดอีกบ้าง ทั้งสุขภาพ การศึกษา หรือบริการลูกค้าข้ามชาติ
ข้อมูลจาก: Google Blog
ติดตามข้อมูลข่าวสารน่าสนใจได้ทาง www.zanzab.com และช่องทางโซเชียล
Facebook , YouTube , Instagram และ Tiktok
