Googles Gemini 3.5 Live Translate beseitigt die Pause

Live-Übersetzung war schon immer ein turn-basierter Trick. Man spricht, das System wartet, bis man fertig ist, denkt nach und liest dann das Ergebnis vor. Die Pause ist klein, aber sie verändert das Gespräch, weil beide Personen innehalten, damit die Maschine arbeiten kann. Googles neues Gemini 3.5 Live Translate wurde entwickelt, um genau diese Pause zu eliminieren.

Das in diesem Monat angekündigte Modell ist ein Sprache-zu-Sprache-Audiomodell und keine Transkriptionspipeline mit nachträglich angeschraubtem Synthesizer. Es hört kontinuierlich zu und übersetzt, während die sprechende Person spricht, und entscheidet von Moment zu Moment, ob es auf mehr Kontext warten oder sofort weitergehen soll, um synchron zu bleiben. In der Praxis hängt es einige Sekunden hinter der sprechenden Person zurück und läuft weiter, sodass das Gespräch nicht bei jedem Satz ins Stocken gerät.

Google nennt drei Fähigkeiten, die es von früheren Systemen unterscheiden. Es erkennt mehr als 70 Sprachen von selbst, ohne dass zuerst eine Spracheinstellung konfiguriert werden muss. Es bewahrt Tonfall, Tempo und Tonhöhe der sprechenden Person, sodass die Ausgabe immer noch wie die Person klingt, die spricht, und nicht wie eine neutrale Ansagerstimme. Und es hält bei verrauschtem, unvorhersehbarem Audio stand – genau die Bedingung, die die meisten Übersetzungsdemos vermeiden.

Der eingebaute Kompromiss des Modells

Kontinuierliche Übersetzung bringt eine Designentscheidung mit sich, die turn-basierte Systeme vermeiden. Einen Satz zu früh zu übersetzen liefert eine schnelle Antwort auf Basis der halben Information, und zu spät zu übersetzen zerstört das Gefühl eines Live-Gesprächs. Googles Modell balanciert beides von Moment zu Moment aus und wägt ab, ob ein kurzes Warten die Ausgabe verbessert, gegen die Kosten, weiter hinter die sprechende Person zurückzufallen. Diese Entscheidung ist für Nutzer unsichtbar und entscheidend dafür, ob sich das Ergebnis brauchbar anfühlt.

Die Bewahrung von Tonhöhe und Sprechtempo fügt zusätzlich zur Live-Konversation eine zweite Anwendung hinzu. Wenn eine Stimme über Sprachen hinweg bestehen kann, ohne ihre Identität zu ändern, wird aus einer einzigen Aufnahme eine Synchronfassung in jeder unterstützten Sprache – dasselbe Versprechen, das Microsoft an seine neuen Stimmmodelle geknüpft hat, und der Grund, warum Synchronstudios diesen Bereich genau beobachten. Wenn Akzent und Timing stimmen, hört die Ausgabe auf, wie eine Übersetzung zu klingen.

Wo es zum Einsatz kommt

Die Veröffentlichung rollt gleichzeitig auf drei Schienen aus. Entwickler erhalten es über die Gemini Live API und Google AI Studio als öffentliche Vorschau. Unternehmensnutzer bekommen diesen Monat eine private Vorschau in Google Meet. Verbraucher erhalten es in der Google Translate App auf Android und iOS, weltweit – eine viel größere Zielgruppe als das Entwicklersegment und ein Zeichen dafür, dass Google dies als Produkt und nicht als Forschungsdemo behandelt.

Die Entwicklerseite ist dort, wo die interessante Arbeit liegt. Live Translate verarbeitet Audio als Stream, sodass es in mehrsprachige Anrufe, Meetings, Kurse und Livestreams eingebunden werden kann, ohne die Übersetzungsschicht von Grund auf neu zu bauen. Integrationspartner wie Agora, Fishjam, LiveKit, Pipecat und Vision Agents haben die Echtzeit-Medien-Infrastruktur bereits erledigt, was bedeutet, dass Entwickler sich meist um die Schnittstelle und die Produktlogik kümmern statt um den Transport.

Grab testet das Modell für ein Problem, das konkret und messbar ist. Fahrer und Fahrgäste sprechen oft nicht dieselbe Sprache, und die Übergabe an einem Abholpunkt ist genau die Stelle, an der Missverständnisse teuer werden. Grab wickelt monatlich mehr als 10 Millionen Sprachanrufe ab, sodass selbst eine kleine Verbesserung dieser Anrufe es wert ist, verfolgt zu werden.

Warum kontinuierlich turn-basiert schlägt

Latenz ist nur ein Teil des Unterschieds zwischen turn-basierter und kontinuierlicher Übersetzung. Turn-basierte Systeme brauchen ein Signal, dass ein Satz beendet ist, was in einer geskripteten Demo einfach und in echter Sprache schwierig ist, wo Menschen mitten im Satz abbrechen, sich neu formulieren, dazwischenreden und mitten im Gedanken die Sprache wechseln. Ein System, das auf eine saubere Grenze wartet, verpasst entweder die Grenze oder verzögert die Antwort. Ein System, das kontinuierlich generiert, kann der sprechenden Person durch all das folgen.

Dieses Design ändert auch, wofür die Ausgabe gedacht ist. Wenn die Übersetzung einige Sekunden versetzt und in der Stimme der sprechenden Person eintrifft, kann man sie während eines Meetings eingeschaltet lassen und als Hintergrundaudio laufen lassen, statt Untertitel zu lesen. Untertitel verlangen, dass man hinschaut; Audio verlangt, dass man zuhört. In Gesprächen, in denen Augenkontakt wichtig ist, ist es eine andere Erfahrung, die andere Person in der eigenen Sprache zu hören, während sie weiterredet, als zu sehen, wie Text unter dem Gesicht der anderen Person auftaucht.

Die Bewahrung von Tonfall und Tonhöhe leistet mehr, als es klingt. Eine übersetzte Stimme, die die Kadenz der ursprünglichen sprechenden Person beibehält, transportiert Informationen, die eine flache synthetische Stimme verliert: Zögern, Betonung, den Unterschied zwischen einem Scherz und einer Drohung. Maschinelle Übersetzung, die das entfernt, kann technisch korrekt und trotzdem in der Absicht falsch sein.

Die Messlatte wurde zweimal in einer Woche verschoben

Live Translate landete in einem überfüllten Monat für Sprachtechnologie. Microsoft lieferte am 1. Oktober drei Modelle aus, darunter MAI-Transcribe-2-Streaming, das in etwas mehr als 100 Millisekunden mit der Textausgabe beginnt und 60 Sprachen mit automatischem Wechsel zwischen ihnen verarbeitet, sowie MAI-Voice-2.1, das 23 Sprachen in 26 Locales spricht und beim Sprachwechsel eine einzige Stimmidentität beibehält. Sota Labs veröffentlichte Saydi, einen Meeting-Assistenten für mehr als 68 Sprachen, der sich über eine Browsererweiterung in Google Meet, Zoom und Teams einbindet.

Legt man die Teile nebeneinander, wird die Form des Wettbewerbs klar. Microsoft verkauft Ohren und Mund als getrennte Teile, die Entwickler zusammensetzen. Google liefert ein einzelnes Modell, das beide Richtungen des Gesprächs abdeckt, und bringt es zuerst vor Verbraucher. Beide drücken die Latenz bis zum ersten Audio herunter und beide nutzen eine konsistente Stimme über Sprachen hinweg als Hauptmerkmal, denn genau das lässt einen übersetzten Anruf wie einen Anruf wirken.

Was noch schwierig ist

Sprachabdeckungszahlen lassen sich leicht veröffentlichen und schwer überprüfen. Ein Modell, das über 70 Sprachen erkennt, übersetzt nicht alle gleich gut, und der Unterschied zeigt sich bei Fachvokabular, Redewendungen und Namen. Googles eigene Translate-Geschichte ist hier lehrreich: Das Produkt ist seit zwei Jahrzehnten auf dem Markt und verarbeitet monatlich mehr als eine Billion Wörter, und trotzdem tut es sich mit Kontext schwer, den ein menschlicher Dolmetscher als selbstverständlich voraussetzt.

Die schwierigere Frage sind Einwilligung und Identität. Ein Modell, das die eigene Stimme in einer Sprache reproduziert, die man nicht spricht, ist nützlich und zugleich ein Werkzeug, um einen Dinge sagen zu lassen, die man nicht gesagt hat. Microsoft verlangt für Voice Cloning Genehmigungs- und Einwilligungsprüfungen. Google hat für Live Translate keine entsprechenden Details veröffentlicht, und die private Vorschau in Meet deutet darauf hin, dass noch geklärt wird, wo die Grenze verläuft.

Dazu kommt die Frage, was mit dem Audio geschieht. Eine Live-Übersetzungsschicht, die in einem Meeting sitzt, sieht alles Gesagte, was ein Hilfsmittel in ein Protokoll verwandelt. Wie lange dieses Audio aufbewahrt wird, wer es abfragen kann und ob es irgendetwas nachgelagert trainiert, sind die Fragen, die Unternehmenskäufer stellen, bevor sie es einschalten.

Nichts davon stoppt diese Verschiebung. Übersetzung, die kontinuierlich läuft, in der Stimme der sprechenden Person, auf einem Telefon, das ohnehin schon in der Tasche steckt, macht das Feature von einer Sache, die man separat öffnet, zu einer Sache, die einfach an ist. Die Pause war das letzte offensichtliche Zeichen dafür, dass eine Maschine im Raum war. Google hat sie gerade optional gemacht.