IA y traducción · · 9 min de lectura
¿Cómo funciona la traducción de voz con inteligencia artificial?
Cómo Gemini 3.5 Live Translate procesa y traduce conversaciones de voz a voz en tiempo real, sin depender de un flujo visible de texto a texto y texto a voz.
La traducción de voz en tiempo real parece magia cuando funciona bien: una persona habla en su idioma y la otra escucha una versión traducida casi al instante. En VerbaMeet usamos Gemini 3.5 Live Translate, un modelo especializado de traducción de voz a voz en tiempo real dentro de la Gemini Live API.
No es simplemente voz → texto → voz
El modelo está diseñado para recibir audio y devolver audio traducido directamente. Puede emitir transcripciones auxiliares para subtítulos e historial, pero esas transcripciones no representan necesariamente una cadena separada de reconocimiento, traducción textual y síntesis de voz.
1. Audio bidireccional y baja latencia
Gemini Live mantiene una sesión de audio en streaming. Recibe fragmentos de voz mientras la persona habla y produce una respuesta de audio traducida sin esperar a que termine toda la conversación.
2. Detección del idioma y contexto
El modelo puede detectar el idioma de entrada y usa el contexto de la conversación para interpretar expresiones, pausas, acentos y sentido. El idioma de salida se configura mediante el código de idioma elegido por cada participante.
3. Voz traducida nativa
La salida principal es audio, no texto. Por eso la experiencia puede conservar mejor el ritmo conversacional que un pipeline visible basado en un modelo de voz a texto, un traductor textual y un sistema TTS independientes.
El desafío es la latencia
Una traducción perfecta que llega treinta segundos tarde no sirve para una conversación. Por eso estos sistemas trabajan por fragmentos, anticipan pausas y buscan un equilibrio entre precisión y velocidad.
Qué significa para una reunión
La mejor experiencia no obliga a los participantes a cambiar su forma de hablar. Cada persona puede expresarse en su idioma y elegir en cuál quiere escuchar, mientras la tecnología intenta mantenerse en segundo plano.