The Gemini 3.5 Live Translate API,
ব্যাখ্যা করা হলো

Gemini 3.5 Live Translate হলো একটি বাস্তব, নিবেদিত Google মডেল — যা 2026 সালের জুনে চালু হয়েছে — 70+ ভাষায় প্রায় রিয়েল-টাইম speech-to-speech অনুবাদের জন্য। ডেভেলপাররা এটিকে Gemini Live API-এর মাধ্যমে gemini-3.5-live-translate-preview মডেল হিসেবে ব্যবহার করেন, আর যোগ্য ব্যবহারকারীদের জন্য Google Translate অ্যাপ এবং Google Meet speech translation preview-এর মাধ্যমেও Google Live Translate অফার করে। তবে এখানে এমন কোনো প্রস্তুত "Live Translate API" নেই যেটা আপনি শুধু অন করে দেবেন: API-এর মাধ্যমে এই মডেল ব্যবহার করলেও তার চারপাশে অ্যাপ তৈরি করতেই হয়।

সার্চ রেজাল্টের বেশিরভাগ অংশ যে বিষয়টি এড়িয়ে যায়, সেটাই এখানে: API হলো একটি building block, সম্পূর্ণ টুল নয়। আপনি যদি ডেভেলপার হন, এই পার্থক্যটা রোমাঞ্চকর। কিন্তু আজ বিকেলে লাইভ কলে টোকিওর কোনো ক্লায়েন্টকে শুধু বুঝে নিতে চাইলে, এটা তিন সপ্তাহের এক ঘুরপথ হয়ে যেতে পারে।

আপনি নিশ্চয়ই খেয়াল করেছেন Google-এর Gemini মডেলগুলো কত দ্রুত এগোয় — নতুন ভার্সন আসে, সক্ষমতা বাড়ে, আর ডকুমেন্টেশনও প্রতি কোয়ার্টারে বদলে যায়। এই গাইডে ব্যাখ্যা করা হয়েছে Gemini Live API অনুবাদের জন্য আসলে কী করে, এটি দিয়ে তৈরি করতে কত খরচ হয়, আর কখন আপনার জন্য এমন একটি প্রস্তুত, ব্রাউজার-ভিত্তিক রিয়েল-টাইম মিটিং অনুবাদ টুল বেশি ভালো, যেখানে একদম কোনো কোডের দরকার নেই।

"Gemini 3.5 Live Translate API" কী?

প্রথমে নামটা পরিষ্কার করা যাক। মানুষ "Gemini 3.5 Live Translate API" খোঁজে এই ভেবে যে Gemini-কে লাইভ দোভাষীতে পরিণত করার জন্য একটি একক সুইচ আছে। মডেলটি বাস্তব এবং নামকরণ করা — কিন্তু API হিসেবে এটি এমন কিছু, যা দিয়ে আপনি তৈরি করেন; এক-ক্লিকের পণ্য নয়।

আপনি Gemini Live API-এর মাধ্যমে Gemini 3.5 Live Translate ব্যবহার করেন, যা Google ডেভেলপারদের জন্য ডকুমেন্ট করেছে। এটি একটি low-latency interface, যা অডিও ইনপুট স্ট্রিম করে এবং প্রতিক্রিয়াও স্ট্রিম করে — টেক্সট, আর চাইলে synthesized speech-ও। Live Translate হলো এই কাজের জন্য টিউন করা নিবেদিত audio model, আর বিস্তৃত Live API অন্য মডেল দিয়ে transcription, summarization, বা question-answering-ও করতে পারে।

"3.5" অংশটি একটি model version। Gemini একাধিক generation পেরিয়েছে, আর Google তার models page-এ বর্তমান অপশনগুলো দেখায়। Version branding দ্রুত বদলায়, তাই ব্যবহারিক পরামর্শটা সহজ: ছয় মাস আগে কোনো blog headline-এ পড়া নির্দিষ্ট নম্বরের বদলে Live API-এর জন্য বর্তমানে যে Gemini মডেলটি আছে, সেটির ওপর ভিত্তি করে তৈরি করুন।

মূল ধারণা: API হিসেবে Live Translate হলো এমন একটি মডেল, যার চারপাশে আপনি তৈরি করেন; এটি এমন কোনো প্রস্তুত পণ্য নয় যেটা শুধু play চাপলেই চলবে। আপনি speech-to-speech মডেলের সঙ্গে একটি streaming session খুলবেন, তাতে অডিও দেবেন, আর সেটি অনূদিত বক্তৃতা ও টেক্সট ফিরিয়ে দেবে। এই নমনীয়তাই নির্মাতাদের কাছে এর আকর্ষণ — আর বাকিদের জন্য এটিই জটিলতা।

একদম build না করে শুধু ব্রাউজারে লাইভ অনুবাদ পড়তে চান? আপনি MirrorCaption বিনামূল্যে চেষ্টা করতে পারেন, এক ঘণ্টার hosted transcription সহ, কোনো credit card ছাড়াই। আমরা আবার এ প্রসঙ্গে ফিরব — আগে দেখি API পথটা কীভাবে কাজ করে।

ডেভেলপাররা অনুবাদের জন্য Gemini Live API কীভাবে ব্যবহার করেন

প্রযুক্তিগতভাবে, Gemini Live API-এর ওপর তৈরি একটি live translation app-এর গঠন বেশ পরিষ্কার। প্রতিটি ধাপ আলাদাভাবে সহজ; আসল কাজ হলো এগুলোকে নির্ভরযোগ্যভাবে একসঙ্গে জোড়া লাগানো।

1. একটি streaming session খুলুন। আপনার অ্যাপ একটি API key দিয়ে authenticate করে এবং Live API-এর সঙ্গে একটি স্থায়ী connection খোলে।
2. অডিও ক্যাপচার ও স্ট্রিম করুন। আপনি ব্রাউজার বা backend-এ microphone (অথবা meeting) অডিও নেন এবং আসার সঙ্গে সঙ্গেই স্ট্রিম করেন।
3. নির্দেশনা সেট করুন। একটি system prompt মডেলকে বলে দেয় কী করতে হবে — যেমন, "বক্তাকে transcribe করো এবং ইংরেজিতে অনুবাদ করো।"
4. আংশিক ফলাফল গ্রহণ করুন। বক্তা কথা বলার সময় API টেক্সট স্ট্রিম করে ফেরত পাঠায়, তাই বাক্য শেষ হওয়ার আগেই আপনি অনুবাদ দেখাতে পারেন।
5. চাইলে সেটি আবার শোনান। Live API synthesized audio ফেরত দিতে পারে, ফলে আপনার অ্যাপ অনূদিত কণ্ঠস্বর জোরে বাজাতে পারে।

এটা সত্যিই শক্তিশালী। একটি custom call-center product, niche kiosk, বা embedded device তৈরি করা দল তাদের workflow অনুযায়ী একেবারে নির্দিষ্টভাবে গড়ে নেওয়া একটি flexible engine পায়।

এখানে একটি উদাহরণ দেওয়া হলো। ধরুন Priya নামে একজন ডেভেলপার একটি bilingual support widget-এর prototype বানাচ্ছেন। এক বিকেলে তিনি এমন একটি demo তৈরি করেন, যা তার কণ্ঠ Gemini Live API-তে স্ট্রিম করে এবং স্ক্রিনে ইংরেজি অনুবাদ দেখায়। এটা জাদুর মতো লাগে — যতক্ষণ না তিনি গুনে দেখেন, বাস্তব ব্যবহারকারীরা এটি ব্যবহার করার আগে আর কী কী বাকি: audio reconnection logic, silence ও overlapping speakers সামলানো, rate limits, billing alerts, call-এর মাঝপথে connection বিচ্ছিন্ন হলে fallback, আর একটি privacy review। prototype ছিল সহজ 20%।

এর কোনোটাই API-র সমালোচনা নয়। এটা শুধু demo আর product-এর মধ্যে সৎ পার্থক্য। একই ব্যবধানের কারণেই যারা নির্ভুল রিয়েল-টাইম অনুবাদ চান, তারা raw model endpoint-এর বদলে প্রস্তুত টুল বেছে নেন।

Gemini API দিয়ে তৈরি করতে আসলে কত খরচ হয়

শিরোনামের খরচ হলো API বিল। Google Gemini API-এর জন্য usage basis-এ চার্জ করে, তাই দাম নির্ভর করে আপনি কোন মডেল বেছে নিচ্ছেন এবং কত অডিও ও টেক্সট এর মধ্য দিয়ে পাঠাচ্ছেন তার ওপর। ডেভেলপারদের জন্য এটা যুক্তিসঙ্গত এবং স্বচ্ছ।

কিন্তু API বিল খুব কমই আসল খরচ। production translation feature তৈরি ও রক্ষণাবেক্ষণ করতেও লাগে:

• Engineering time — audio pipeline, UI, আর error handling তৈরি করতে।
• Maintenance — model version বদলালে আর endpoint evolve করলে; সেই quarterly doc churn আপনার টিমের ওপরই পড়ে।
• Infrastructure — streaming, scaling, আর monitoring-এর জন্য, যখন কয়েকজনের বেশি মানুষ এটি ব্যবহার করবে।
• Compliance কাজ: অডিও কোথায় যায়, কী লগ হয়, আর ব্যবহারকারীদের কীভাবে জানানো হয়।

আরেকটি উদাহরণ। Marco একজন freelance consultant, যার দুইজন Mandarin-speaking client আছে। তার API দরকার নেই — বৃহস্পতিবারের একটি ভিডিও কল বুঝতে পারলেই হয়। তাকে Gemini Live API-এর দিকে পাঠানো মানে হবে এমন কিছু বানাতে একজন ডেভেলপার ভাড়া করা, যা সে মাসে দুই ঘণ্টা ব্যবহার করবে। হিসাবটা কখনোই মেলে না। Marco building block নয়, ফলাফল চান।

এই বিভাজন — নির্মাতা বনাম বাকিরা — এটাই আসল সিদ্ধান্তের জায়গা। তাই এটাকে স্পষ্ট করা যাক।

API বনাম প্রস্তুত টুল: আপনার আসলে কোনটি দরকার?

আপনি যদি Gemini Live API-এর ওপর তৈরি করা আর একটি প্রস্তুত অনুবাদ টুল ব্যবহার করার মধ্যে বেছে নেন, এই টেবিলটি সেই trade-off দেখায়। কোনো উত্তরই ভুল নয় — বিষয়টি নির্ভর করে আপনি একটি building block চান, নাকি একটি ফলাফল।

আপনি যদি এমন একটি custom product ship করেন যেখানে অনুবাদ অনেক উপাদানের একটি, তাহলে API-ই সঠিক টুল। কিন্তু যদি অনুবাদই কাজ হয়, তাহলে "অসীম customization" ছাড়া বাকি সব দিকেই একটি প্রস্তুত টুল জিতে যায়।

MirrorCaption: কোড না লিখেই রিয়েল-টাইম অনুবাদ

MirrorCaption হলো সেই টেবিলের প্রস্তুত-টুল দিক। এটি একটি browser-based real-time transcription ও translation app, যা 50+ selectable languages সমর্থন করে, এবং এতে কিছুই install করতে হয় না, কোনো meeting bot-ও অনুমোদন করতে হয় না।

অনলাইন মিটিংয়ের জন্য, Meet mode desktop Chrome বা Microsoft Edge-এ আপনার meeting-tab audio ক্যাপচার করে। কোনো bot call-এ যোগ দেয় না, তাই participant list-এ বসে থাকা কোনো অস্বস্তিকর "recording assistant" নেই। এটি browser-based Zoom, Teams, Meet, এবং Webex-এর সঙ্গে কাজ করে — host যা বেছে নিয়েছেন, সেটাই নিন।

সামনাসামনি কথোপকথনের জন্য, Talk mode আপনার ফোনকে একটি continuous interpreter session-এ পরিণত করে। আপনি একবার শুরু করেন, তারপর দুজন পালা করে কথা বলেন; এটি tap-and-wait phrasebook নয়। আর Speak Translations-এর মাধ্যমে MirrorCaption আপনার অনূদিত বক্তৃতা অন্য ভাষায় জোরে পড়ে শোনাতে পারে — ফলে টেবিলের ওপারের মানুষটি শুধু caption দেখে না, বার্তাটিও শোনে।

Priya আর Marco-র মতো মানুষের জন্য গুরুত্বপূর্ণ কয়েকটি বিষয়:

• কোড নেই, API key নেই। Hosted transcription ও translation layer আপনার জন্য পরিচালিত হয়।
• Privacy-first. Meeting audio আপনার browser-এর মাধ্যমে stream হয় এবং আমাদের server-এ সংরক্ষিত হয় না — শুধু আপনি যে transcript save করতে চান, সেগুলো local-এ রাখা হয়।
• AI summaries. মিটিং এগোতে থাকলে একটি running summary refresh হয়, যাতে দেরিতে যোগ দেওয়া কেউ একবার পড়েই আপডেট হতে পারে।
• সহজ মূল্য নির্ধারণ। চেষ্টা করার জন্য এক ঘণ্টা বিনামূল্যে (one-time, কোনো monthly reset নেই), Pro Yearly €54.99-এ 110 hours of hosted transcription সহ, অথবা €99 এককালীন lifetime plan-এ 200 hours অন্তর্ভুক্ত এবং ভবিষ্যতের সব আপডেট। অতিরিক্ত ঘণ্টা Voice Packs থেকে আসে, আর lifetime গ্রাহকেরা সবচেয়ে কম per-hour rate পান।

এটা হলো engine ভাড়া নেওয়া আর একটি প্রস্তুত গাড়ি চালানোর পার্থক্য। আপনি যদি অন্য বিকল্পও বিবেচনা করেন, আমাদের OpenAI Whisper comparison speech-to-text-এর জন্য একই build-vs-use প্রশ্নটি কভার করে, আর Google Meet translation alternative পৃষ্ঠাটি in-platform captions কভার করে।

আজ মানুষ live translation যেভাবে ব্যবহার করে তার তিনটি উপায়

এই ছোট, illustrative scenario-গুলো দেখায় কোথায় একটি প্রস্তুত টুল raw API-এর চেয়ে নিজের জায়গা করে নেয়।

সীমান্ত-পার বিক্রয় কল

বার্লিনের একজন founder সাও পাওলোর একজন prospect-এর সঙ্গে কল করেন। Meet mode তার স্ক্রিনে কথোপকথনটি জার্মানে দেখায়, যখন prospect পর্তুগিজে কথা বলেন, আর Speak Translations তার উত্তরগুলো আবার শোনায়। কোনো ডেভেলপার জড়িত ছিলেন না — কলের আগে তিনি শুধু একটি tab খুলেছিলেন।

ভ্রমণের সময় ডাক্তারের কাছে যাওয়া

জাপানে থাকা একজন traveler ক্লিনিকে ফোনটি ডেস্কের ওপারে এগিয়ে দেন। Talk mode কথোপকথনটি এদিক-ওদিক চলতে থাকলেও একটি continuous session চালু রাখে, তাই প্রতিটি বাক্যের জন্য কাউকে থেমে বোতাম চাপতে হয় না।

বহুভাষিক standup

একটি distributed team প্রতিদিনের standup চালায়, যেখানে Shanghai engineer, Berlin PM, আর Lisbon designer প্রত্যেকে মিটিংটি নিজেদের ভাষায় পড়েন — কল চলাকালীন, পরে ইমেল করা transcript-এ নয়। এর বিস্তৃত ধারা আপনি আমাদের live captions guide-এ দেখতে পারেন।

প্রায়শই জিজ্ঞাসিত প্রশ্ন

Gemini 3.5 Live Translate API কি আছে?

হ্যাঁ — Gemini 3.5 Live Translate হলো একটি বাস্তব, নিবেদিত Google মডেল (model code gemini-3.5-live-translate-preview) যা real-time speech-to-speech অনুবাদের জন্য। ডেভেলপাররা এতে Gemini Live API-এর মাধ্যমে পৌঁছান; শুধু অ্যাপ না বানিয়ে চালু করে দেওয়ার মতো কোনো প্রস্তুত "API product" নেই। Google Google Translate অ্যাপ এবং Google Meet speech translation preview-এর মাধ্যমেও Live Translate অফার করে।

Gemini কি real time-এ speech অনুবাদ করতে পারে?

হ্যাঁ। Gemini Live API low-latency, bidirectional audio streaming সমর্থন করে, তাই আপনি microphone audio ইনপুট স্ট্রিম করতে পারেন এবং কেউ কথা বলার সময়ই অনূদিত টেক্সট বা spoken audio ফেরত পেতে পারেন — তবে surrounding application আপনাকে তৈরি করতে হবে।

Gemini Live API ব্যবহার করতে কি কোড করতে হবে?

হ্যাঁ। এটি একটি developer interface। আপনাকে কোড লিখতে হবে, API key সামলাতে হবে, অডিও ক্যাপচার ও স্ট্রিম করতে হবে, আর error ও scaling পরিচালনা করতে হবে। যারা শুধু অনূদিত ফলাফল চান, তাদের জন্য একটি প্রস্তুত টুলই বেশি উপযোগী।

Gemini Live API-এর খরচ কত?

Gemini API usage-এর ভিত্তিতে বিল করা হয়, তাই দাম নির্ভর করে মডেল এবং আপনি কত অডিও ও টেক্সট প্রক্রিয়াকরণ করেন তার ওপর। Google তার pricing page-এ বর্তমান rate প্রকাশ করে। engineering time-এর বাজেটও রাখুন — API নিজে খরচের শুধু একটি অংশ।

API ছাড়া live meeting অনুবাদের সবচেয়ে সহজ উপায় কী?

একটি প্রস্তুত browser tool ব্যবহার করুন। MirrorCaption desktop Chrome বা Edge-এ চলে, call-এ কোনো bot যোগ না দিয়েই meeting-tab audio ক্যাপচার করে, এবং 50+ ভাষায় real-time translation দেখায়। এখানে কিছুই কোড করতে হয় না, আর API key-ও সামলাতে হয় না।

সারকথা

আপনি যদি "Gemini 3.5 Live Translate API" খুঁজে থাকেন, সৎ উত্তর হলো মডেলটি বাস্তব — কিন্তু API-এর মাধ্যমে এতে পৌঁছানো আপনাকে একটি শক্তিশালী building block দেয়, সম্পূর্ণ পণ্য নয়। এটি অবশ্যই live translation চালাতে পারে, যদি আপনার টিমের কাছে এটি তৈরি, রক্ষণাবেক্ষণ, আর scale করার মতো engineering time থাকে।

বাকিদের জন্য — দুইজন client-সহ consultant, ক্লিনিকে থাকা traveler, বা আজকের কলেই একে অপরকে বুঝে নিতে চাওয়া team — building block অতিরিক্ত। আপনার ফলাফল দরকার, আর এখনই দরকার। ব্রাউজার-ভিত্তিক টুল ঠিক সেটাই দেয়: একটি tab খুলুন, ভাষা বেছে নিন, আর কথোপকথন চলতে থাকতেই নিজের ভাষায় প্রতিটি শব্দ পড়ুন।

নির্মাতারা, এগিয়ে যান। বাকিরা, কোড বাদ দিয়ে অনুবাদ শুরু করুন।