Gemini 3.5 Live Translate là một mô hình Google có thật, chuyên dụng — ra mắt vào tháng 6 năm 2026 — cho dịch giọng nói sang giọng nói gần như theo thời gian thực trên hơn 70 ngôn ngữ. Nhà phát triển truy cập mô hình này dưới tên gemini-3.5-live-translate-preview thông qua Gemini Live API, và Google cũng cung cấp Live Translate qua ứng dụng Google Translate cùng bản xem trước dịch giọng nói của Google Meet cho người dùng đủ điều kiện. Điều không tồn tại là một "Live Translate API" có sẵn mà bạn chỉ cần bật lên: dùng mô hình qua API vẫn có nghĩa là phải xây dựng ứng dụng xoay quanh nó.

Đây là phần mà hầu hết kết quả tìm kiếm lướt qua: một API là một khối xây dựng, không phải công cụ hoàn chỉnh. Nếu bạn là nhà phát triển, sự khác biệt đó rất hấp dẫn. Nếu bạn chỉ cần hiểu một khách hàng ở Tokyo trong một cuộc gọi trực tiếp chiều nay, đó có thể là một vòng rẽ mất ba tuần.

Chắc hẳn bạn đã nhận ra các mô hình Gemini của Google tiến nhanh đến mức nào — phiên bản mới được phát hành, năng lực mở rộng, và tài liệu thay đổi mỗi quý. Hướng dẫn này giải thích Gemini Live API thực sự làm gì cho dịch thuật, chi phí để xây dựng với nó là bao nhiêu, và khi nào bạn nên chọn một công cụ hoàn chỉnh, chạy trên trình duyệt như công cụ dịch cuộc họp theo thời gian thực không cần viết một dòng mã nào.

Điểm chính

"Gemini 3.5 Live Translate API" là gì?

Trước hết, hãy làm rõ tên gọi. Mọi người tìm kiếm "Gemini 3.5 Live Translate API" với kỳ vọng có một công tắc duy nhất biến Gemini thành phiên dịch viên trực tiếp. Mô hình này là có thật và có tên — nhưng dưới dạng API, đó là thứ bạn xây dựng bằng nó, chứ không phải sản phẩm chỉ cần bấm một lần là xong.

Bạn truy cập Gemini 3.5 Live Translate thông qua Gemini Live API, được Google tài liệu hóa cho nhà phát triển. Đây là giao diện độ trễ thấp, truyền âm thanh vào và truyền phản hồi trở lại — văn bản, và tùy chọn là giọng nói tổng hợp. Live Translate là mô hình âm thanh chuyên dụng được tinh chỉnh cho công việc này, trong khi Live API rộng hơn cũng có thể xử lý phiên âm, tóm tắt hoặc hỏi-đáp với các mô hình khác.

Phần "3.5" là phiên bản mô hình. Gemini đã đi qua nhiều thế hệ, và Google liệt kê các tùy chọn hiện tại trên trang mô hình của mình. Thương hiệu phiên bản thay đổi rất nhanh, nên lời khuyên thực tế rất đơn giản: hãy xây dựng dựa trên mô hình Gemini hiện tại cho Live API, chứ không phải một con số cụ thể bạn đọc trong tiêu đề blog sáu tháng trước.

Ý tưởng cốt lõi: với tư cách là một API, Live Translate là một mô hình để bạn xây dựng xung quanh, chứ không phải một sản phẩm hoàn chỉnh bạn chỉ cần nhấn phát. Bạn mở một phiên streaming với mô hình speech-to-speech, đưa âm thanh vào, và nó truyền lại giọng nói cùng văn bản đã dịch. Sự linh hoạt đó là điểm hấp dẫn với người xây dựng — và là điểm gây vướng cho mọi người khác.

Muốn bỏ qua hoàn toàn phần xây dựng và chỉ đọc bản dịch trực tiếp ngay trong trình duyệt? Bạn có thể dùng thử MirrorCaption miễn phí với một giờ phiên âm được lưu trữ, không cần thẻ tín dụng. Chúng ta sẽ quay lại phần đó — trước hết, đây là cách con đường API hoạt động.

Nhà phát triển dùng Gemini Live API để dịch như thế nào

Ở cấp độ kỹ thuật, một ứng dụng dịch trực tiếp xây trên Gemini Live API có cấu trúc khá rõ ràng. Mỗi bước riêng lẻ đều đơn giản; phần việc nằm ở chỗ ghép chúng lại một cách đáng tin cậy.

  1. Mở một phiên streaming. Ứng dụng của bạn xác thực bằng khóa API và mở một kết nối bền vững tới Live API.
  2. Thu và truyền âm thanh. Bạn lấy âm thanh từ micro (hoặc cuộc họp) trong trình duyệt hay backend và truyền đi ngay khi nó đến.
  3. Thiết lập chỉ dẫn. Một system prompt nói cho mô hình biết phải làm gì — ví dụ, "Phiên âm người nói và dịch sang tiếng Anh."
  4. Nhận kết quả từng phần. API truyền văn bản trở lại khi người nói đang nói, nên bạn có thể hiển thị bản dịch trước khi câu kết thúc.
  5. Tùy chọn phát lại bằng giọng nói. Live API có thể trả về âm thanh tổng hợp, để ứng dụng của bạn phát to giọng nói đã dịch.

Điều này thực sự rất mạnh. Một nhóm xây dựng sản phẩm trung tâm cuộc gọi tùy chỉnh, một kiosk ngách, hoặc một thiết bị nhúng sẽ có được một bộ máy linh hoạt mà họ có thể định hình chính xác theo quy trình làm việc của mình.

Đây là một ví dụ minh họa. Hãy hình dung Priya, một nhà phát triển đang tạo mẫu một widget hỗ trợ song ngữ. Chỉ trong một buổi chiều, cô ấy đã có bản demo truyền giọng nói của mình tới Gemini Live API và in bản dịch tiếng Anh lên màn hình. Cảm giác như phép màu — cho đến khi cô ấy bắt đầu liệt kê những việc còn lại trước khi người dùng thật sự có thể chạm vào nó: logic kết nối lại âm thanh, xử lý im lặng và nhiều người nói chồng lấn, giới hạn tốc độ, cảnh báo thanh toán, phương án dự phòng khi kết nối rớt giữa cuộc gọi, và một cuộc rà soát quyền riêng tư. Bản mẫu chỉ là 20% dễ nhất.

Không điều nào trong số đó là chê API. Đó chỉ là sự khác biệt trung thực giữa một bản demo và một sản phẩm. Khoảng cách đó cũng là lý do nhiều người muốn dịch thời gian thực chính xác lại chọn một công cụ hoàn chỉnh thay vì một endpoint mô hình thô.

Xây dựng với Gemini API thực sự tốn bao nhiêu

Chi phí nổi bật nhất là hóa đơn API. Google tính phí Gemini API theo mức sử dụng, nên giá sẽ tăng theo mô hình bạn chọn và lượng âm thanh, văn bản bạn đưa qua nó. Điều đó hợp lý và minh bạch với nhà phát triển.

Nhưng hóa đơn API hiếm khi là chi phí thật sự lớn nhất. Việc xây dựng và duy trì một tính năng dịch thuật sản xuất còn đồng nghĩa với:

Một ví dụ minh họa khác. Marco là một tư vấn viên tự do có hai khách hàng nói tiếng Quan Thoại. Anh ấy không cần một API — anh ấy cần hiểu một cuộc gọi video vào thứ Năm. Đẩy anh ấy tới Gemini Live API sẽ đồng nghĩa với việc thuê một nhà phát triển để xây thứ mà anh ấy chỉ dùng hai giờ mỗi tháng. Bài toán đó không bao giờ hợp lý. Marco muốn kết quả, không phải khối xây dựng.

Sự phân chia đó — người xây dựng và mọi người khác — mới là điểm quyết định thực sự. Vậy hãy làm nó cụ thể hơn.

Bỏ qua phần xây dựng. Đọc bản dịch trực tiếp ngay trong trình duyệt.

Một giờ miễn phí để thử. Không cần thẻ tín dụng, không cần khóa API, không cần cài đặt.

Bắt đầu miễn phí

API vs. công cụ hoàn chỉnh: bạn thực sự cần gì?

Nếu bạn đang chọn giữa việc xây trên Gemini Live API và dùng một công cụ dịch có sẵn, bảng này sẽ cho thấy sự đánh đổi. Không có đáp án sai — nó phụ thuộc vào việc bạn muốn một khối xây dựng hay một kết quả.

  Gemini Live API (tự xây) MirrorCaption (dùng ngay)
Dành cho ai Nhà phát triển và đội sản phẩm Bất kỳ ai trong cuộc họp hoặc cuộc trò chuyện
Thiết lập Viết mã, quản lý khóa API, xây dựng đường ống âm thanh Mở một tab trình duyệt và bắt đầu
Thời gian đến bản dịch đầu tiên Vài ngày đến vài tuần kỹ thuật Chưa đầy một phút
Cuộc họp Bạn tự xây phần thu và định tuyến âm thanh Thu âm thanh từ tab cuộc họp trong Chrome hoặc Edge — không có bot nào tham gia cuộc gọi
Đầu ra giọng nói Bạn tự xây phần phát lại Speak Translations có thể đọc to bản dịch
Mô hình chi phí Thanh toán API theo mức sử dụng + thời gian kỹ thuật Một giờ miễn phí để thử, hoặc gói trọn đời một lần €99
Bảo trì Bạn cập nhật khi phiên bản mô hình thay đổi Được xử lý thay bạn

Nếu bạn đang phát hành một sản phẩm tùy chỉnh mà dịch thuật chỉ là một thành phần trong nhiều thành phần, API là công cụ phù hợp. Nếu dịch thuật chính là công việc, một công cụ hoàn chỉnh sẽ thắng ở mọi dòng không phải "tùy biến vô hạn".

MirrorCaption: dịch theo thời gian thực mà không cần viết mã

MirrorCaption là phía công cụ hoàn chỉnh của bảng đó. Đây là ứng dụng phiên âm và dịch theo thời gian thực chạy trên trình duyệt, hỗ trợ hơn 50 ngôn ngữ có thể chọn, không cần cài đặt và không có bot cuộc họp nào phải phê duyệt.

Với các cuộc họp trực tuyến, chế độ Meet thu âm thanh từ tab cuộc họp của bạn trong Chrome hoặc Microsoft Edge trên máy tính. Không có bot nào tham gia cuộc gọi, nên không có cảm giác ngượng ngùng kiểu "trợ lý ghi âm" ngồi trong danh sách người tham gia. Nó hoạt động cùng với Zoom, Teams, Meet và Webex chạy trên trình duyệt — bạn chọn nền tảng mà người tổ chức đã dùng.

Với các cuộc trò chuyện trực tiếp, chế độ Talk biến điện thoại của bạn thành một phiên phiên dịch liên tục. Bạn khởi động một lần và cả hai người nói luân phiên; nó không phải là một cuốn sổ cụm từ kiểu chạm rồi chờ. Và với Speak Translations, MirrorCaption có thể đọc to giọng nói đã dịch của bạn sang ngôn ngữ kia — để người ngồi đối diện nghe được thông điệp, chứ không chỉ nhìn thấy phụ đề.

Một vài chi tiết quan trọng với những người ở vị trí như Priya và Marco:

Đó là sự khác biệt giữa thuê một động cơ và lái một chiếc xe hoàn chỉnh. Nếu bạn cũng đang cân nhắc các lựa chọn khác, phần so sánh OpenAI Whisper của chúng tôi bao quát cùng câu hỏi xây hay dùng cho speech-to-text, và trang phương án thay thế Google Meet translation bao quát phụ đề ngay trong nền tảng.

Ba cách mọi người dùng dịch trực tiếp hôm nay

Những tình huống ngắn, mang tính minh họa này cho thấy khi nào một công cụ hoàn chỉnh xứng đáng hơn một API thô.

Cuộc gọi bán hàng xuyên biên giới

Một nhà sáng lập ở Berlin nhận cuộc gọi với một khách hàng tiềm năng ở São Paulo. Chế độ Meet hiển thị cuộc trò chuyện bằng tiếng Đức trên màn hình của cô ấy trong khi khách hàng nói tiếng Bồ Đào Nha, và Speak Translations đọc lại câu trả lời của cô ấy. Không có nhà phát triển nào tham gia — cô ấy chỉ mở một tab trước cuộc gọi.

Đi khám bác sĩ khi đang đi du lịch

Một du khách ở Nhật Bản đưa điện thoại của mình qua bàn tại một phòng khám. Chế độ Talk giữ cho một phiên liên tục chạy khi cuộc trò chuyện qua lại, nên không ai phải dừng lại và bấm nút cho từng câu.

Họp đứng đa ngôn ngữ

Một đội phân tán tổ chức họp đứng hằng ngày, nơi kỹ sư ở Thượng Hải, PM ở Berlin và nhà thiết kế ở Lisbon mỗi người đọc cuộc họp bằng ngôn ngữ của riêng mình — ngay trong cuộc gọi, chứ không phải trong bản chép gửi qua email sau đó. Bạn có thể thấy mô hình rộng hơn trong hướng dẫn phụ đề trực tiếp của chúng tôi.

Câu hỏi thường gặp

Có API Gemini 3.5 Live Translate không?

Có — Gemini 3.5 Live Translate là một mô hình Google có thật, chuyên dụng (mã mô hình gemini-3.5-live-translate-preview) cho dịch giọng nói sang giọng nói theo thời gian thực. Nhà phát triển truy cập nó qua Gemini Live API; chỉ là không có "sản phẩm API" có sẵn mà bạn bật lên mà không cần xây dựng ứng dụng. Google cũng cung cấp Live Translate qua ứng dụng Google Translate và bản xem trước dịch giọng nói của Google Meet.

Gemini có thể dịch giọng nói theo thời gian thực không?

Có. Gemini Live API hỗ trợ truyền âm thanh hai chiều với độ trễ thấp, nên bạn có thể truyền âm thanh micro vào và nhận lại văn bản đã dịch hoặc âm thanh được nói ra trong khi người đó vẫn đang nói — miễn là bạn xây dựng ứng dụng xung quanh nó.

Tôi có cần viết mã để dùng Gemini Live API không?

Có. Đây là giao diện dành cho nhà phát triển. Bạn cần viết mã, quản lý khóa API, thu và truyền âm thanh, cũng như xử lý lỗi và mở rộng quy mô. Người không phải nhà phát triển chỉ muốn kết quả đã dịch sẽ phù hợp hơn với một công cụ hoàn chỉnh.

Gemini Live API tốn bao nhiêu?

Gemini API được tính phí theo mức sử dụng, nên giá phụ thuộc vào mô hình và lượng âm thanh, văn bản bạn xử lý. Google công bố mức giá hiện tại trên trang giá của mình. Hãy tính cả thời gian kỹ thuật — bản thân API chỉ là một phần của chi phí.

Cách dễ nhất để dịch một cuộc họp trực tiếp mà không cần API là gì?

Hãy dùng một công cụ trình duyệt hoàn chỉnh. MirrorCaption chạy trong Chrome hoặc Edge trên máy tính, thu âm thanh từ tab cuộc họp mà không có bot nào tham gia cuộc gọi, và hiển thị bản dịch theo thời gian thực bằng hơn 50 ngôn ngữ. Không cần viết mã và không có khóa API để quản lý.

Kết luận

Nếu bạn tìm kiếm "Gemini 3.5 Live Translate API", câu trả lời trung thực là mô hình này có thật — nhưng truy cập nó qua API sẽ cho bạn một khối xây dựng mạnh mẽ, chứ không phải một sản phẩm hoàn chỉnh. Nó hoàn toàn có thể cung cấp sức mạnh cho dịch trực tiếp, đối với những đội có đủ thời gian kỹ thuật để xây dựng, bảo trì và mở rộng xung quanh nó.

Với mọi người khác — tư vấn viên có hai khách hàng, người du lịch ở phòng khám, đội chỉ muốn hiểu nhau trong cuộc gọi hôm nay — khối xây dựng đó là quá mức cần thiết. Bạn muốn kết quả, và bạn muốn ngay bây giờ. Đó chính xác là điều một công cụ chạy trên trình duyệt mang lại: mở một tab, chọn ngôn ngữ của bạn, và đọc mọi từ bằng ngôn ngữ của chính mình trong khi cuộc trò chuyện vẫn đang diễn ra.

Người xây dựng thì cứ xây. Còn lại, bỏ qua phần mã và bắt đầu dịch.

Dịch cuộc trò chuyện tiếp theo của bạn, miễn phí

Một giờ miễn phí. Không cần thẻ tín dụng, không cần khóa API, không cần cài đặt. Dùng ngay trong trình duyệt của bạn hôm nay.

Bắt đầu miễn phí