API Gemini 3.5 Live Translate,
wyjaśnione

Gemini 3.5 Live Translate to prawdziwy, dedykowany model Google — wprowadzony w czerwcu 2026 — do niemal natychmiastowego tłumaczenia mowy na mowę w ponad 70 językach. Deweloperzy korzystają z niego jako z modelu gemini-3.5-live-translate-preview przez Gemini Live API, a Google oferuje też Live Translate w aplikacji Google Translate oraz podgląd tłumaczenia mowy w Google Meet dla uprawnionych użytkowników. Nie istnieje natomiast gotowe „Live Translate API”, które po prostu się włącza: korzystanie z modelu przez API nadal oznacza budowanie aplikacji wokół niego.

Oto element, który większość wyników wyszukiwania pomija: API to element składowy, a nie gotowe narzędzie. Jeśli jesteś deweloperem, to rozróżnienie jest ekscytujące. Jeśli po prostu musisz zrozumieć klienta w Tokio podczas dzisiejszej rozmowy na żywo, może to być trzytygodniowy objazd.

Pewnie zauważyłeś, jak szybko poruszają się modele Gemini Google — pojawiają się nowe wersje, możliwości się rozszerzają, a dokumentacja zmienia się co kwartał. Ten przewodnik wyjaśnia, co tak naprawdę robi Gemini Live API w tłumaczeniu, ile kosztuje budowanie na nim oraz kiedy lepiej wybrać gotowe, działające w przeglądarce narzędzie do tłumaczenia spotkań w czasie rzeczywistym, które nie wymaga żadnego kodu.

Czym jest „Gemini 3.5 Live Translate API”?

Najpierw wyjaśnijmy nazwę. Ludzie szukają „Gemini 3.5 Live Translate API”, oczekując jednego przełącznika, który zamienia Gemini w tłumacza na żywo. Model jest prawdziwy i ma swoją nazwę — ale jako API jest czymś, na czym budujesz, a nie produktem uruchamianym jednym kliknięciem.

Do Gemini 3.5 Live Translate docierasz przez Gemini Live API, udokumentowane przez Google dla deweloperów. To interfejs o niskim opóźnieniu, który strumieniuje audio wejściowe i odsyła odpowiedzi — tekst oraz opcjonalnie syntezowaną mowę. Live Translate to dedykowany model audio dostrojony do tego zadania, podczas gdy szersze Live API może też obsługiwać transkrypcję, podsumowania lub odpowiadanie na pytania z innymi modelami.

Część „3.5” to wersja modelu. Gemini przeszedł przez kilka generacji, a Google wymienia aktualne opcje na swojej stronie modeli. Branding wersji zmienia się szybko, więc praktyczna rada jest prosta: buduj w oparciu o aktualny model Gemini dla Live API, a nie konkretny numer, który widziałeś sześć miesięcy temu w nagłówku bloga.

Kluczowa idea: jako API Live Translate jest modelem, wokół którego budujesz, a nie gotowym produktem, który po prostu odtwarzasz. Otwierasz sesję strumieniową z modelem speech-to-speech, podajesz mu audio, a on odsyła przetłumaczoną mowę i tekst. Ta elastyczność jest zaletą dla twórców — i tarciem dla wszystkich pozostałych.

Chcesz całkowicie pominąć budowanie i po prostu czytać tłumaczenie na żywo w przeglądarce? Możesz wypróbować MirrorCaption za darmo z jedną godziną hostowanej transkrypcji, bez karty kredytowej. Wrócimy do tego — najpierw zobaczmy, jak działa ścieżka API.

Jak deweloperzy używają Gemini Live API do tłumaczenia

Na poziomie technicznym aplikacja do tłumaczenia na żywo zbudowana na Gemini Live API ma jasną strukturę. Każdy krok sam w sobie jest prosty; praca polega na niezawodnym połączeniu ich ze sobą.

1. Otwórz sesję strumieniową. Twoja aplikacja uwierzytelnia się kluczem API i otwiera trwałe połączenie z Live API.
2. Przechwytuj i strumieniuj audio. Pobierasz audio z mikrofonu (lub spotkania) w przeglądarce albo na backendzie i przesyłasz je w miarę napływu.
3. Ustaw instrukcję. Prompt systemowy mówi modelowi, co ma robić — na przykład: „Transkrybuj wypowiedź i tłumacz na angielski”.
4. Odbieraj częściowe wyniki. API odsyła tekst strumieniowo, gdy mówca mówi, więc możesz wyświetlać tłumaczenie, zanim zdanie się skończy.
5. Opcjonalnie odtwarzaj je głosowo. Live API może zwracać syntezowane audio, więc Twoja aplikacja może odtwarzać przetłumaczony głos na głos.

To naprawdę potężne. Zespół budujący niestandardowy produkt dla call center, niszowy kiosk albo urządzenie wbudowane dostaje elastyczny silnik, który może dokładnie dopasować do swojego workflow.

Oto przykład poglądowy. Wyobraź sobie Priyę, deweloperkę prototypującą dwujęzyczny widget wsparcia. W jedno popołudnie ma demo, które strumieniuje jej głos do Gemini Live API i wyświetla tłumaczenie na angielski na ekranie. To wygląda jak magia — aż zaczyna wypisywać, co jeszcze zostało do zrobienia, zanim prawdziwi użytkownicy będą mogli z tego korzystać: logika ponownego łączenia audio, obsługa ciszy i nakładających się mówców, limity szybkości, alerty rozliczeniowe, plan awaryjny na wypadek zerwania połączenia w trakcie rozmowy oraz przegląd prywatności. Prototyp był tym łatwym 20%.

To nie jest zarzut wobec API. To po prostu uczciwa różnica między demo a produktem. Ta sama luka sprawia, że wiele osób, które chcą dokładnego tłumaczenia w czasie rzeczywistym, sięga po gotowe narzędzie zamiast surowego endpointu modelu.

Ile naprawdę kosztuje budowanie z użyciem Gemini API

Najbardziej widoczny koszt to rachunek za API. Google nalicza opłaty za Gemini API w modelu opartym na użyciu, więc cena rośnie wraz z wybranym modelem oraz ilością audio i tekstu, które przez niego przepuszczasz. To rozsądne i przejrzyste dla deweloperów.

Ale rachunek za API rzadko jest prawdziwym kosztem. Budowa i utrzymanie produkcyjnej funkcji tłumaczenia oznacza też:

• Czas inżynierski na zbudowanie potoku audio, interfejsu i obsługi błędów.
• Utrzymanie, gdy wersje modeli się zmieniają, a endpointy ewoluują — ten kwartalny chaos w dokumentacji spada na Twój zespół.
• Infrastrukturę do strumieniowania, skalowania i monitorowania, gdy korzysta z tego więcej niż kilka osób.
• Zgodność: gdzie trafia audio, co jest logowane i jak informujesz użytkowników.

Kolejny przykład poglądowy. Marco jest niezależnym konsultantem z dwoma klientami mówiącymi po mandaryńsku. Nie potrzebuje API — potrzebuje zrozumieć wideorozmowę w czwartek. Skierowanie go do Gemini Live API oznaczałoby zatrudnienie dewelopera do zbudowania czegoś, z czego będzie korzystał przez dwie godziny miesięcznie. Matematyka się nie zgadza. Marco chce efektu, a nie elementu składowego.

Ten podział — twórcy kontra wszyscy pozostali — to prawdziwy punkt decyzyjny. Uczyńmy więc to konkretne.

API czy gotowe narzędzie: czego naprawdę potrzebujesz?

Jeśli wybierasz między budowaniem na Gemini Live API a korzystaniem z gotowego narzędzia do tłumaczenia, ta tabela pokazuje kompromis. Nie ma złej odpowiedzi — wszystko zależy od tego, czy chcesz element składowy, czy rezultat.

Jeśli tworzysz niestandardowy produkt, w którym tłumaczenie jest tylko jednym ze składników, API jest właściwym narzędziem. Jeśli tłumaczenie jest zadaniem, gotowe narzędzie wygrywa w każdym punkcie, który nie brzmi „nieskończona personalizacja”.

MirrorCaption: tłumaczenie w czasie rzeczywistym bez pisania kodu

MirrorCaption to gotowa strona tej tabeli. To działająca w przeglądarce aplikacja do transkrypcji i tłumaczenia w czasie rzeczywistym, obsługująca ponad 50 wybieralnych języków, bez instalacji i bez bota spotkania, którego trzeba zatwierdzać.

W przypadku spotkań online tryb Meet przechwytuje audio z karty spotkania w desktopowym Chrome lub Microsoft Edge. Żaden bot nie dołącza do rozmowy, więc nie ma niezręcznego „asystenta nagrywania” na liście uczestników. Działa obok spotkań w przeglądarce w Zoom, Teams, Meet i Webex — wybierz to, czego używa gospodarz.

W rozmowach twarzą w twarz tryb Talk zamienia telefon w ciągłą sesję tłumacza. Uruchamiasz go raz, a obie osoby mówią po kolei; to nie jest słowniczek typu stuknij i czekaj. A dzięki Speak Translations MirrorCaption może odczytać Twoją przetłumaczoną wypowiedź na głos w drugim języku — dzięki czemu osoba po drugiej stronie stołu słyszy wiadomość, a nie tylko widzi podpis.

Oto kilka szczegółów, które mają znaczenie dla osób w sytuacji Priyi i Marco:

• Bez kodu, bez klucza API. Hostowana warstwa transkrypcji i tłumaczenia jest zarządzana za Ciebie.
• Prywatność przede wszystkim. Audio ze spotkania przepływa przez Twoją przeglądarkę i nie jest przechowywane na naszych serwerach — tylko transkrypty, które zdecydujesz się zapisać, są trzymane lokalnie.
• Podsumowania AI. Bieżące podsumowanie odświeża się w miarę postępu spotkania, więc spóźniony uczestnik może nadrobić wszystko jednym odczytem.
• Proste ceny. Jedna darmowa godzina na próbę (jednorazowo, bez miesięcznego resetu), Pro Yearly za €54.99 z 110 godzinami hostowanej transkrypcji w cenie albo jednorazowy plan dożywotni za €99 z 200 godzinami w cenie i wszystkimi przyszłymi aktualizacjami. Dodatkowe godziny pochodzą z Voice Packs, a klienci dożywotni otrzymują najniższą stawkę za godzinę.

To różnica między wynajęciem silnika a prowadzeniem gotowego samochodu. Jeśli rozważasz też inne opcje, nasze porównanie z OpenAI Whisper omawia to samo pytanie „budować czy używać” w kontekście speech-to-text, a strona alternatywy dla tłumaczenia w Google Meet dotyczy napisów wbudowanych w platformę.

Trzy sposoby, w jakie ludzie korzystają dziś z tłumaczenia na żywo

Te krótkie, poglądowe scenariusze pokazują, gdzie gotowe narzędzie zasługuje na swoje miejsce bardziej niż surowe API.

Rozmowy sprzedażowe ponad granicami

Założycielka w Berlinie prowadzi rozmowę z potencjalnym klientem w São Paulo. Tryb Meet pokazuje rozmowę po niemiecku na jej ekranie, gdy klient mówi po portugalsku, a Speak Translations odtwarza jej odpowiedzi. Nie brał w tym udziału żaden deweloper — otworzyła kartę przed rozmową.

Wizyty u lekarza podczas podróży

Podróżny w Japonii podaje telefon przez biurko w klinice. Tryb Talk utrzymuje jedną ciągłą sesję, gdy rozmowa toczy się tam i z powrotem, więc nikt nie musi robić przerwy i naciskać przycisku przy każdym zdaniu.

Wielojęzyczne standupy

Rozproszony zespół prowadzi codzienny standup, podczas którego inżynier z Szanghaju, PM z Berlina i projektant z Lizbony czytają spotkanie w swoim własnym języku — w trakcie rozmowy, a nie w transkrypcie wysłanym później mailem. Szerszy obraz znajdziesz w naszym przewodniku po napisach na żywo.

Najczęściej zadawane pytania

Czy istnieje Gemini 3.5 Live Translate API?

Tak — Gemini 3.5 Live Translate to prawdziwy, dedykowany model Google (kod modelu gemini-3.5-live-translate-preview) do tłumaczenia mowy na mowę w czasie rzeczywistym. Deweloperzy korzystają z niego przez Gemini Live API; po prostu nie ma gotowego „produktu API”, który włączasz bez budowania aplikacji. Google oferuje też Live Translate w aplikacji Google Translate oraz podgląd tłumaczenia mowy w Google Meet.

Czy Gemini może tłumaczyć mowę w czasie rzeczywistym?

Tak. Gemini Live API obsługuje dwukierunkowe strumieniowanie audio o niskim opóźnieniu, więc możesz przesyłać audio z mikrofonu i otrzymywać przetłumaczony tekst lub mowę, gdy ktoś nadal mówi — o ile zbudujesz wokół tego aplikację.

Czy muszę programować, aby korzystać z Gemini Live API?

Tak. To interfejs dla deweloperów. Musisz pisać kod, zarządzać kluczem API, przechwytywać i strumieniować audio oraz obsługiwać błędy i skalowanie. Osoby nietechniczne, które chcą po prostu otrzymać przetłumaczony wynik, lepiej skorzystają z gotowego narzędzia.

Ile kosztuje Gemini Live API?

Gemini API jest rozliczane według użycia, więc cena zależy od modelu i ilości przetwarzanego audio oraz tekstu. Google publikuje aktualne stawki na stronie z cennikiem. Zaplanuj też czas inżynierski — samo API to tylko część kosztu.

Jaki jest najprostszy sposób na tłumaczenie spotkania na żywo bez API?

Użyj gotowego narzędzia w przeglądarce. MirrorCaption działa w desktopowym Chrome lub Edge, przechwytuje audio z karty spotkania bez dołączającego bota i pokazuje tłumaczenie w czasie rzeczywistym w ponad 50 językach. Nie trzeba nic programować ani zarządzać kluczem API.

Wniosek

Jeśli szukałeś „Gemini 3.5 Live Translate API”, uczciwa odpowiedź brzmi: model jest prawdziwy — ale dostęp do niego przez API daje Ci potężny element składowy, a nie gotowy produkt. Może on jak najbardziej zasilać tłumaczenie na żywo, dla zespołów mających czas inżynierski, by budować, utrzymywać i skalować wokół niego.

Dla wszystkich pozostałych — konsultanta z dwoma klientami, podróżnego w klinice, zespołu, który po prostu chce się dziś nawzajem zrozumieć — element składowy to przesada. Chcesz rezultatu i chcesz go teraz. Dokładnie to daje narzędzie działające w przeglądarce: otwierasz kartę, wybierasz języki i czytasz każde słowo w swoim języku, podczas gdy rozmowa nadal trwa.

Twórcy, budujcie. Wszyscy inni, pomińcie kod i zacznijcie tłumaczyć.