2006年，Google Translate上线。目标很朴素：打破语言之间的墙壁。20年后，Google的产品每天处理超过一万亿个单词，覆盖300多种语言、70多亿人口——相当于全球86%的人。但就在这样一个里程碑时刻，Google却说：翻译文本，远远不够。
“翻译正在剥离人类交流中最丰富的部分：语调、节奏、情感和语境。”Google高级副总裁James Manyika在2026年9月的最新博文中坦言。
这句话从一个做了20年翻译的公司嘴里说出来，本身就是一个信号。Google正在对自己过去的范式，发起一场“内部革命”。
从流水线到原生理解
过去几年，主流的语音AI遵循一条僵化的流水线：将音频转录成文本，处理文本，再将结果合成回音频。这条路线技术上成熟，但Google发现它有致命缺陷——它过滤掉了语言中“人”的部分。
“人们说话时并不会使用完美的、语法整洁的句子。”Manyika写道。“我们会笑、会重叠、会犹豫，会在同一句话里混用多种语言，就像我们说Spanglish或Hinglish那样。”
为了捕捉这种真实交流的质感，Google同时做了两件事。
第一件是产品层面的突破。今年6月发布的Gemini 3.5 Live Translate，能够实时进行语音到语音的翻译，覆盖70种语言、2000多个语言对。它不是那种“你说一句它翻一句”的笨重工具。它能自动检测源语言，在说话的同时连续生成译文，延迟控制在几秒之内，甚至保留了说话人的语调、节奏和音高。东南亚打车巨头Grab已经在测试这个模型，用于司机和乘客之间的实时沟通。仅Grab一个平台，每月就有超过1000万通语音电话需要跨语言交流。
第二件是Gemini 3.5 Transcribe，Google“有史以来最精确的语音转文字模型”。它驱动了Android Gboard上的Rambler功能：自动去除口头禅、修正语法和标点、支持语音指令编辑和改写、在不同语言之间无缝切换。它不是在“听写”，而是在“理解”。
但真正勾勒Google野心的，是一个更深远的故事。
300种语言之后，还有数千个盲区
从表面看，300种语言、86%的人口覆盖是一个了不起的数字。但Google想说的是，技术一直只服务于少数强势语言。
全球现存数千种语言。一个残酷的现实是，绝大多数语言在互联网上几乎没有存在感，也从未被任何AI系统认真对待过。
这就是Google“1,000种语言计划”的出发点。早在2022年11月，Google就宣布了这个目标：建立一个能支持全球最常用的1,000种语言的AI模型。选择“1,000种”这个数字是刻意的。它意味着Google不满足于服务庞大的主流群体，而是要把那些长期被数字世界遗忘的语言也拉进来。
但问题来了：另外700种语言的数据从哪里来？
跨语言迁移学习：用“富”养“穷”
Google的答案是跨语言迁移学习——一种让模型把在数据丰富的语言如英语、中文中学到的模式“转移”到数据极度匮乏的语言上的技术。
支撑这个计划的核心是Universal Speech Model（USM），一个拥有20亿参数、在1200万小时音频上训练的语音模型。1200万小时是什么概念？如果一个人24小时不间断地听，需要将近1370年才能听完。这个模型第一次让Google实现了对300多种语言的语音识别，包括阿萨姆语、阿塞拜疆语这些在传统AI系统中几乎不存在的语言。
USM的训练分三步：自监督学习先用大规模无标签音频“自学”语音的通用模式，然后通过多目标预训练将文本数据也纳入学习，最后针对具体任务做微调。关键在第一步。因为自监督学习不依赖人工标注，Google可以用任何语言的原始音频进行预训练，再用少量标注数据——甚至只有几个小时——就能让模型学会理解一种新语言。这就像让一个已经学会100种语言的人去学第101种，他不需要从头开始。
这不是理论意义上的进步。在印度，Google与印度科学理工学院合作启动了Vani项目，专注于印度本土语言。印度有超过22种官方语言、数百种方言，其中很多在Google Translate上都不存在。Vani项目的目标，就是通过与当地社区合作采集语音数据，逐步将这些语言带入数字世界。
这种“跨语言迁移”的手法，本质上是把AI的“富足”转化为“包容”。当大多数AI公司还在争夺英语和中文训练数据时，Google选择了一条更累但更公平的路。
从文本回到声音：为什么“转文字”本身就是一个错误
如果说“1,000种语言计划”解决的是广度问题，那么Google从文本向原生音频处理的转变，解决的则是深度问题。
传统的语音识别本质上是在“把声音压平为文字”。无论说话人用什么语调、带什么情绪、混用了什么语言，系统只做一件事：输出一行干净的文本。这行文本里有所有的“信息”，但所有的“温度”都蒸发了。
Google的转变在于，它不再把音频当作文本的载体，而是把音频本身当作信息。
Gemini 3.5 Live Translate的核心技术突破不在于它翻译得有多快，而在于它翻译的同时保留了语调、节奏和音高。当你说一句西班牙语时，它翻译成英语的不仅是词汇，还有你说话的情绪和节奏。你不是在和一台机器对话，而是在和一个能“听懂你”的系统交流。
更重要的是，这个模型能处理多语言输入。在现实世界中，人们经常在同一个句子中混用两三种语言——“明天我们meet一下，讨论一下roadmap”。传统的翻译系统面对这种code-switching往往会崩溃。而Gemini 3.5 Live Translate能自动检测这种混合，进行自然翻译。
“我们正在超越传统的文本翻译，构建能理解世界真实、生动语言的模型，正如它们被表达的那样。”Google博文的标题，也是这次范式转向的最好注解。
谁会受益，谁会受伤
Google在语言AI上的两个动作——扩大语言覆盖面和深化语音理解——将从根本上改变全球内容的可访问性格局。
首先，这是对“AI普惠”承诺的一次实测。据福布斯2026年2月报道，全球34亿人没有移动互联网接入。这个数字对应一整片被数字世界遗忘的人群。Google不仅在技术上追求更广的语言覆盖，还在产品层面做了离线功能适配。在肯尼亚、印度、巴西这些网络不稳定的地区，用户可以在没有网络的情况下使用翻译功能。
其次，这对东南亚、非洲、南亚多语言市场的数字经济是一个催化剂。Grab的测试展示了一个直接场景：当司机和乘客能用自己的语言实时交流，使用体验和服务效率都会发生质变。更深层的影响是，它保护了多语言使用者的文化身份。你不必放弃母语去适应互联网，而是让互联网来适应你。
但硬币也有背面。Google的精准翻译能力，意味着AI可以生成超级逼真的、保留说话人语调的跨语言语音。尽管Google使用了SynthID给所有AI生成的音频添加了不可感知的数字水印，但技术对抗从来都是一场军备竞赛。当AI能完美模仿一个政治人物的语调，并用另一种语言说出他们从未说过的话，这就是deepfake的2.0版本。
赢家是那些语言资源匮乏的社区，他们终于开始被数字基础设施认真对待。赢家也是Google自己。在一个AI竞争日趋同质化的时代，语言可能是最具护城河价值的差异化能力。OpenAI能做出强大的推理模型，但它在全球语言覆盖上的积累远不如Google在翻译业务上20年的沉淀。
危险的是传统的人工翻译和本地化行业。当实时语音翻译的准确率持续逼近人类水平，并且价格无限趋近于零，大量商业翻译、会议口译、字幕制作的生存空间将被大幅挤压。
“翻译”这个词，本意是把一种语言转换为另一种语言。但Google正在做的，已经不是翻译了。它在教AI听懂语言背后的那个人。
你不需要用完美的句子和AI对话。你可以结巴，可以笑，可以中英混杂，可以用只有几百万人使用的方言。问题不再是AI能不能理解你，而是AI愿不愿意接受你最原始的样子。
Google的答案只有一个字：愿意。
快报