A Gemini 3.5 Live Translate API,
Magyarázva

Gemini 3.5 Live Translate egy valódi, dedikált Google-modell — 2026 júniusában indult — közel valós idejű beszéd-beszéd fordításhoz 70+ nyelven. A fejlesztők a Gemini Live API-n keresztül érik el a gemini-3.5-live-translate-preview modellként, és a Google a Google Translate alkalmazásban, valamint a Google Meet beszédfordítási előnézetében is kínál Live Translate-et az arra jogosult felhasználóknak. Ami nincs, az egy kész „Live Translate API”, amit egyszerűen csak bekapcsolsz: a modell API-n keresztüli használata továbbra is azt jelenti, hogy köré kell építened az alkalmazást.

Itt jön az a rész, amit a legtöbb keresési találat elsiklik: az API építőelem, nem kész eszköz. Ha fejlesztő vagy, ez a különbség izgalmas. Ha viszont csak azt kell megértened, mit mond egy tokiói ügyfél egy mai élő hívásban, akkor ez akár egy háromhetes kitérő is lehet.

Valószínűleg te is észrevetted, milyen gyorsan mozognak a Google Gemini modelljei — új verziók jelennek meg, bővülnek a képességek, és a dokumentáció is negyedévről negyedévre változik. Ez az útmutató elmagyarázza, mit csinál valójában a Gemini Live API fordításra, mennyibe kerül vele építkezni, és mikor jársz jobban egy kész, böngészőalapú valós idejű értekezletfordító eszközzel, amelyhez egyáltalán nem kell kód.

Mi az a „Gemini 3.5 Live Translate API”?

Először tisztázzuk a nevet. Sokan úgy keresnek rá a „Gemini 3.5 Live Translate API”-ra, mintha egyetlen kapcsolóval lehetne a Geminit élő tolmáccsá alakítani. A modell valódi és név szerint létezik — de API-ként ez valami, amivel építesz, nem egy kattintásra kész termék.

A Gemini 3.5 Live Translate-et a fejlesztőknek dokumentált Gemini Live API-n keresztül éred el. Ez egy alacsony késleltetésű felület, amely befelé hangot streamel, kifelé pedig válaszokat streamel — szöveget, és opcionálisan szintetizált beszédet. A Live Translate az erre a feladatra hangolt dedikált audio modell, míg a tágabb Live API más modellekkel átírást, összefoglalást vagy kérdés-válasz feladatokat is kezelhet.

A „3.5” rész egy modellverzió. A Gemini több generáción ment keresztül, és a Google az aktuális opciókat a modellek oldalán sorolja fel. A verziómárkázás gyorsan változik, ezért a gyakorlati tanács egyszerű: mindig az aktuális Gemini modellre építs a Live API-hoz, ne egy konkrét számra, amit hat hónapja egy blogcímben olvastál.

A lényeg: API-ként a Live Translate egy olyan modell, amely köré építesz, nem egy kész termék, amit csak elindítasz. Megnyitsz egy streaming munkamenetet a beszéd-beszéd modellel, hangot küldesz neki, ő pedig lefordított beszédet és szöveget streamel vissza. Ez a rugalmasság vonzó az építőknek — és frusztráló mindenki másnak.

Szeretnéd teljesen kihagyni az építést, és csak a böngésződben olvasni az élő fordítást? Kipróbálhatod a MirrorCaptiont ingyen egy óra hosztolt átírással, bankkártya nélkül. Erre még visszatérünk — előbb nézzük meg, hogyan működik az API-s út.

Hogyan használják a fejlesztők a Gemini Live API-t fordításra

Technikai szinten a Gemini Live API-ra épített élő fordítóalkalmazás jól körülírható szerkezetet követ. Minden lépés önmagában egyszerű; a munka abban van, hogy megbízhatóan összekösd őket.

1. Streaming munkamenet megnyitása. Az alkalmazásod API-kulccsal hitelesít, és tartós kapcsolatot nyit a Live API-val.
2. Hang rögzítése és streamelése. A mikrofon- vagy értekezlethangot a böngészőben vagy a backendben rögzíted, és ahogy érkezik, streamelve küldöd.
3. Az utasítás beállítása. Egy rendszerprompt megmondja a modellnek, mit tegyen — például: „Írd le a beszélőt, és fordítsd angolra.”
4. Részleges eredmények fogadása. Az API a beszéd közben streameli vissza a szöveget, így a fordítást még a mondat vége előtt megjelenítheted.
5. Opcionálisan vissza is mondja. A Live API szintetizált hangot is visszaadhat, így az alkalmazásod hangosan lejátszhatja a lefordított beszédet.

Ez valóban erőteljes. Egy egyedi call center terméket, egy speciális kioszkot vagy egy beágyazott eszközt építő csapat olyan rugalmas motort kap, amelyet pontosan a saját munkafolyamatához alakíthat.

Itt egy szemléltető példa. Képzeld el Priyát, egy fejlesztőt, aki egy kétnyelvű ügyfélszolgálati widgetet prototipizál. Délutánra van egy demója, amely a hangját a Gemini Live API-ba streameli, és angol fordítást jelenít meg a képernyőn. Olyan, mint a varázslat — egészen addig, amíg el nem kezdi felsorolni, mi minden hiányzik még ahhoz, hogy valódi felhasználók is használhassák: hang-újracsatlakozási logika, a csend és az átfedő beszélők kezelése, rate limitek, számlázási figyelmeztetések, tartalék megoldás, ha a kapcsolat hívás közben megszakad, és egy adatvédelmi felülvizsgálat. A prototípus volt az a könnyű 20%.

Ez nem az API ellen szól. Egyszerűen csak az őszinte különbség a demó és a termék között. Ugyanez a szakadék az oka annak is, hogy sokan, akik pontos valós idejű fordítást szeretnének, inkább kész eszközhöz nyúlnak, mint nyers modellvégponthoz.

Mennyibe kerül valójában a Gemini API-val építkezni

A fő költség az API-számla. A Google a Gemini API-t használatalapon számlázza, így az ár attól függ, melyik modellt választod, és mennyi hangot és szöveget küldesz át rajta. Ez fejlesztőknek korrekt és átlátható.

De az API-számla ritkán a valódi költség. Egy éles fordítási funkció felépítése és fenntartása azt is jelenti, hogy:

• Mérnöki idő kell a hangfolyam, a felület és a hibakezelés megépítéséhez.
• Karbantartás kell, ahogy a modellverziók változnak és a végpontok fejlődnek — ez a negyedéves dokumentációs forgás a te csapatodra hárul.
• Infrastruktúra kell a streameléshez, skálázáshoz és monitorozáshoz, amint néhány embernél többen használják.
• Megfelelőségi munka is kell: hová kerül a hang, mi kerül naplózásra, és hogyan tájékoztatod a felhasználókat.

Egy másik szemléltető példa. Marco szabadúszó tanácsadó, két mandarinul beszélő ügyféllel. Neki nem API kell — hanem az, hogy csütörtökön megértse a videóhívást. Ha a Gemini Live API-hoz irányítanád, az azt jelentené, hogy fejlesztőt kellene fogadnia, hogy építsen valamit, amit havonta két órán át használ. A matek sosem jön ki. Marcónak az eredmény kell, nem az építőelem.

Ez a szétválás — építők kontra mindenki más — a valódi döntési pont. Tegyük hát konkréttá.

API vagy kész eszköz: melyikre van valójában szükséged?

Ha a Gemini Live API-ra építés és egy kész fordítóeszköz használata között választasz, ez a táblázat megmutatja az előnyök és hátrányok mérlegét. Nincs rossz válasz — attól függ, építőelemet vagy eredményt szeretnél.

Ha egy egyedi terméket szállítasz, ahol a fordítás csak egy összetevő a sok közül, az API a megfelelő eszköz. Ha a fordítás maga a feladat, egy kész eszköz minden olyan sorban nyer, amely nem az „végtelen testreszabás”.

MirrorCaption: valós idejű fordítás kódírás nélkül

A MirrorCaption a táblázat kész eszköz oldala. Egy böngészőalapú, valós idejű átíró és fordító alkalmazás, amely 50+ választható nyelvet támogat, telepítés nélkül és jóváhagyandó meeting bot nélkül.

Online megbeszélésekhez a Meet mód a desktop Chrome vagy a Microsoft Edge értekezletfülének hangját rögzíti. Nem csatlakozik bot a híváshoz, így nincs kínos „felvételi asszisztens” a résztvevők listájában. Működik böngészőalapú Zoommal, Teams-szel, Meet-tel és Webexszel is — azt válaszd, amelyiket a házigazda használja.

Szemtől szembeni beszélgetésekhez a Talk mód folyamatos tolmácsüléssé alakítja a telefonodat. Egyszer indítod el, és mindkét fél felváltva beszél; ez nem egy koppintós-várós kifejezésgyűjtemény. A Speak Translations funkcióval a MirrorCaption hangosan is felolvashatja a lefordított beszédet a másik nyelven — így az asztal túloldalán ülő ember nemcsak látja a feliratot, hanem hallja is az üzenetet.

Néhány részlet, ami fontos Priya és Marco helyzetében lévő embereknek:

• Nincs kód, nincs API-kulcs. A hosztolt átírási és fordítási réteg helyetted van kezelve.
• Adatvédelem-központú. Az értekezlet hangja a böngésződön keresztül áramlik, és nincs tárolva a szervereinken — csak az általad menteni választott átiratok maradnak helyben.
• AI összefoglalók. Egy folyamatos összefoglaló frissül a megbeszélés előrehaladtával, így a későn csatlakozó egyetlen olvasással felzárkózhat.
• Egyszerű árképzés. Egy ingyenes óra kipróbálni (egyszeri, havi visszaállítás nélkül), Pro Yearly €54.99-ért 110 óra hosztolt átírással, vagy €99 egyszeri életre szóló csomag 200 órával és minden jövőbeli frissítéssel. A további órák Voice Packekből származnak, és az életre szóló ügyfelek kapják a legalacsonyabb óradíjat.

Ez a különbség aközött, hogy motort bérelsz, vagy kész autót vezetsz. Ha más lehetőségeket is mérlegelsz, az OpenAI Whisper összehasonlításunk ugyanezt az építsd-meg-vagy-használd kérdést tárgyalja beszédből szövegbe, a Google Meet fordítás alternatíva oldal pedig az alkalmazáson belüli feliratokat mutatja be.

Három mód, ahogyan az emberek ma élő fordítást használnak

Ezek a rövid, szemléltető helyzetek megmutatják, hol érdemel helyet egy kész eszköz a nyers API-val szemben.

Határokon átnyúló értékesítési hívások

Egy berlini alapító hívást kap egy São Pauló-i érdeklődőtől. A Meet mód németül mutatja a beszélgetést a képernyőjén, miközben az érdeklődő portugálul beszél, a Speak Translations pedig visszahangosítja a válaszait. Fejlesztő nem vett részt benne — a hívás előtt megnyitott egy fület.

Orvosi vizitek utazás közben

Egy Japánban utazó ember átnyújtja a telefonját a rendelő asztalán. A Talk mód egyetlen folyamatos munkamenetet tart fenn, miközben a beszélgetés oda-vissza halad, így senkinek sem kell megállnia és gombot nyomnia minden mondatnál.

Többnyelvű napi standupok

Egy elosztott csapat napi standupot tart, ahol a sanghaji mérnök, a berlini PM és a lisszaboni dizájner mind a saját nyelvén olvassa a megbeszélést — a hívás közben, nem egy utólag e-mailben elküldött átiratban. A szélesebb mintát a élő feliratok útmutatónkban is láthatod.

Gyakran ismételt kérdések

Létezik Gemini 3.5 Live Translate API?

Igen — a Gemini 3.5 Live Translate egy valódi, dedikált Google-modell (gemini-3.5-live-translate-preview modellkóddal) valós idejű beszéd-beszéd fordításhoz. A fejlesztők a Gemini Live API-n keresztül érik el; egyszerűen csak nincs kész „API termék”, amit app építése nélkül kapcsolsz be. A Google a Google Translate alkalmazásban és a Google Meet beszédfordítási előnézetében is kínál Live Translate-et.

Tud a Gemini valós időben beszédet fordítani?

Igen. A Gemini Live API alacsony késleltetésű, kétirányú hangstreamelést támogat, így a mikrofon hangját be tudod küldeni, és a fordított szöveget vagy beszédet vissza tudod kapni, miközben valaki még beszél — feltéve, hogy megépíted a köré az alkalmazást.

Kell kódolnom a Gemini Live API használatához?

Igen. Ez egy fejlesztői felület. Kódot kell írnod, API-kulcsot kezelni, hangot rögzíteni és streamelni, valamint a hibákat és a skálázást is kezelned kell. A nem fejlesztőknek, akik csak az eredményt akarják, jobb választás egy kész eszköz.

Mennyibe kerül a Gemini Live API?

A Gemini API használatalapon számlázott, így az ár a modelltől és attól függ, mennyi hangot és szöveget dolgozol fel. A Google az aktuális díjakat az árképzési oldalán teszi közzé. A mérnöki idővel is számolj — maga az API csak a költség egyik része.

Mi a legegyszerűbb módja egy élő megbeszélés fordításának API nélkül?

Használj egy kész böngészős eszközt. A MirrorCaption desktop Chrome-ban vagy Edge-ben fut, a híváshoz nem csatlakozó bottal rögzíti az értekezletfül hangját, és 50+ nyelven mutat valós idejű fordítást. Nincs mit kódolni, és nincs API-kulcs, amit kezelni kellene.

A lényeg

Ha a „Gemini 3.5 Live Translate API”-ra kerestél, az őszinte válasz az, hogy a modell valódi — de az API-n keresztüli elérés egy erős építőelemet ad, nem kész terméket. Teljesen képes élő fordítást működtetni azoknak a csapatoknak, amelyeknek van mérnöki idejük köré építeni, karbantartani és skálázni.

Mindenki másnak — a két ügyféllel dolgozó tanácsadónak, a rendelőben lévő utazónak, a csapatnak, amely csak azt akarja, hogy a mai hívásban megértse egymást — az építőelem túlzás. Neked az eredmény kell, és azonnal. Pontosan ezt adja egy böngészőalapú eszköz: megnyitsz egy fület, kiválasztod a nyelveket, és a saját nyelveden olvasod minden szót, miközben a beszélgetés még tart.

Építők, építsetek. Mindenki más, hagyjátok ki a kódot, és kezdjetek fordítani.