MOUNTAIN VIEW – Google DeepMind secara resmi mengungkap rincian teknis model teranyarnya, Gemini 3.5 Audio (Live Translate), pada Juni 2026. Kehadiran teknologi ini menandai babak baru dalam cakrawala kecerdasan buatan multimodal, di mana hambatan bahasa kini mulai terkikis oleh sistem penerjemahan suara instan yang bekerja dengan latensi nyaris tidak terasa. Model ini dirancang untuk memproses aliran audio secara berkelanjutan, memberikan tanggapan lisan yang natural layaknya interaksi manusia sejati.
Animasi representasi pemrosesan audio multimodal pada Gemini 3.5.
Arsitektur Mutakhir di Balik Gemini 3.5 Audio
Dibangun di atas fondasi kokoh Gemini 3 Pro, varian Audio ini membawa spesifikasi teknis yang mengesankan. Salah satu keunggulan utamanya terletak pada jendela konteks token hingga 128K untuk input audio, yang memungkinkan sistem memahami percakapan panjang tanpa kehilangan konteks. Di sisi output, model ini mampu menghasilkan teks dan audio hingga kapasitas 64K token.
"Gemini 3.5 Live Translate memungkinkan interaksi terjemahan waktu nyata dengan latensi rendah. Sistem ini memproses aliran audio berkelanjutan untuk memberikan tanggapan lisan yang menyerupai manusia secara instan," tulis laporan resmi dari tim pengembang Google DeepMind.
Pemanfaatan perangkat keras dan lunak pada model ini tetap mengacu pada standar keberlanjutan operasional yang ketat. Penggunaan infrastruktur yang efisien memastikan bahwa meskipun daya komputasi yang dibutuhkan sangat besar, dampak lingkungan tetap ditekan sesuai dengan komitmen Google dalam pengoperasian teknologi hijau.
Metodologi Evaluasi: Kecepatan dan Kualitas Tanpa Kompromi
Untuk memastikan performa di lapangan, Google DeepMind menggunakan tiga dimensi kualitas utama: kualitas terjemahan, latensi, dan kewajaran suara (speech naturalness). Kualitas terjemahan diuji menggunakan AutoMQM, sebuah metrik otomatis berbasis kesalahan yang mengidentifikasi dan mengategorikan erosi makna dalam hasil terjemahan untuk menghasilkan skor kualitas yang mendalam.
Aspek latensi, yang menjadi krusial dalam sesi siaran langsung atau percakapan telepon, diukur melalui dua metrik spesifik:
- Latensi Awal: Jeda waktu antara mulainya ucapan input hingga munculnya suara terjemahan pertama kali.
- Latensi Tingkat Kata: Mengukur rata-rata waktu antara akhir kata sumber hingga dimulainya kata terjemahan yang sesuai.
Selain itu, aspek naturalitas suara dievaluasi guna mencegah terjadinya audio yang terputus-putus (choppy) atau pergeseran karakteristik suara (voice drift) yang sering kali mengganggu kenyamanan pengguna dalam penggunaan durasi panjang.
Mengenali Batasan dan Risiko Teknis
Meskipun sangat canggih, Google bersikap transparan mengenai keterbatasan model ini. Dalam kondisi tertentu, konsistensi suara dapat terganggu, seperti perubahan gender suara setelah jeda panjang atau sistem yang "terpaku" pada satu profil suara selama sesi multi-pembicara yang cepat. Deteksi bahasa juga diakui masih mengalami kesulitan saat berhadapan dengan aksen non-native, bahasa yang mirip, atau pergantian bahasa yang terlalu cepat.
"Filter kebisingan latar belakang dirancang untuk mengabaikan suara non-vokal, namun dalam pengaturan tertentu, noise tersebut masih dapat memicu munculnya artefak audio yang tidak diinginkan pada hasil terjemahan," ungkap dokumen teknis model tersebut.
Keamanan dan Etika Kecerdasan Buatan
Pengembangan Gemini 3.5 Audio melibatkan tim keamanan dan tanggung jawab internal yang selaras dengan Prinsip AI Google. Menariknya, penilaian keamanan untuk model ini mengacu pada standar Gemini 3.1 Pro dengan mode Deep Think. Karena Gemini 3.5 Audio dinilai memiliki kapabilitas di bawah Gemini 3.1 Pro, tim ahli yakin bahwa model ini tidak akan mencapai Critical Capability Levels (CCLs) atau tingkat kemampuan kritis yang berisiko tinggi.
Distribusi model ini dilakukan melalui berbagai kanal utama, termasuk Google Translate, Google AI Studio, dan Gemini API, yang memungkinkan para pengembang di seluruh dunia untuk mengintegrasikan teknologi ini ke dalam aplikasi mereka sendiri tanpa memerlukan perangkat keras khusus.
Glossary Teknis Gemini 3.5 Audio
- Multimodal: Kemampuan AI untuk memproses berbagai jenis data (teks, audio, gambar) secara bersamaan.
- Latency: Keterlambatan waktu antara input data hingga output yang dihasilkan oleh sistem.
- Token Context Window: Jumlah data maksimal yang dapat dipahami AI dalam satu waktu sebelum melupakan informasi awal.
- AutoMQM: Metrik evaluasi otomatis untuk menilai kualitas terjemahan mesin dengan mendeteksi kesalahan secara granular.
- Voice Drift: Fenomena di mana karakteristik suara AI berubah secara tidak sengaja di tengah sesi percakapan.
Baca juga artikel menarik lainnya di situs kami.