La voz en tiempo real entra en producción: Gemini 3.8 Live y DeepL Voice

Gemini 3.8 Live está diseñado para agentes de voz que reciben y generan audio directamente. Su llamada asíncrona de funciones permite consultar una API o ejecutar una herramienta en segundo plano sin interrumpir la respuesta hablada. La variante Extended Thinking añade razonamiento configurable para tareas de varios pasos y puede narrar el progreso mientras continúa procesando.

Google también incorpora contexto visual en directo, lectura precisa de códigos y referencias alfanuméricas, actualizaciones incrementales de contenido y soporte para más de 97 idiomas. La tarjeta técnica indica entradas de audio, imagen, vídeo y texto, una ventana de contexto de hasta 128.000 tokens y salidas de audio y texto.

La actualización de DeepL Voice busca preservar tono, ritmo, entonación y expresión al traducir. La voz de cada participante permanece diferenciada en 14 idiomas compatibles con esta función, incluso cuando varias personas intervienen en la misma conversación.

La nueva aplicación para Windows y macOS funciona junto a Zoom, Microsoft Teams y Google Meet. Detecta las llamadas, muestra subtítulos traducidos y permite pasar a traducción voz a voz. DeepL también ofrece conversaciones presenciales y una API orientada a centros de contacto, herramientas empresariales y productos propios.

La diferencia es perceptiva. Los subtítulos transmiten contenido; una voz que mantiene rasgos del hablante conserva parte de su intención, energía y presencia. Esa capa puede mejorar la comprensión y reducir la sensación de estar escuchando una locución genérica.

DeepL está utilizando Dreamforce 2026 como demostración de escala: traducción en tiempo real para 50 escenarios y más de 1.000 sesiones, según la compañía. Ese despliegue sitúa la tecnología fuera del contexto controlado de una videollamada y la enfrenta a ruido, múltiples salas, cambios de ponente, terminología especializada y picos de audiencia.

En congresos y producciones audiovisuales, la misma infraestructura puede alimentar auriculares personales, aplicaciones móviles, subtítulos, señal de streaming y contenidos posteriores. La transcripción deja de ser el producto final y se convierte en una fuente común para traducción, accesibilidad, resumen y automatización.

La interpretación humana continúa siendo la referencia en situaciones críticas, discursos complejos y contextos culturales sensibles. La IA amplía cobertura y flexibilidad, pero necesita rutas claras de supervisión y sustitución cuando la calidad cae.

Google publica para Gemini 3.8 Live un precio de 0,005 dólares por minuto de audio de entrada y 0,018 dólares por minuto de audio de salida. El coste real depende del tiempo de conversación, el uso de herramientas y el razonamiento adicional. DeepL comercializa Voice mediante suscripciones y contacto empresarial; su anuncio no ofrece una tarifa pública comparable por minuto.

Google también integra en su oferta Gemini 3.5 Transcribe, presentado el mes anterior, con más de 85 idiomas, detección automática, diarización, marcas temporales y vocabulario personalizado de hasta 1.000 términos. Esta última función resulta decisiva en eventos y entornos técnicos, donde nombres propios, marcas y acrónimos suelen concentrar los errores más visibles.

La arquitectura adecuada separa captura, reconocimiento, traducción, razonamiento y distribución. Así, cada componente puede medirse o reemplazarse sin rehacer toda la experiencia. También permite mantener el audio original disponible para una persona cuando la transcripción no es suficiente.

Preservar una voz mejora naturalidad, pero también aumenta la necesidad de consentimiento y transparencia. Los oyentes deben saber cuándo escuchan una traducción generada y no la voz original. La similitud nunca debería utilizarse para atribuir al hablante palabras que no ha podido revisar en un contexto sensible.

DeepL declara que no almacena permanentemente el audio de las sesiones ni utiliza esos datos para entrenar modelos. Aun así, cada despliegue debe considerar la captura local, el transporte de audio, los registros, las plataformas conectadas y la política del organizador.

También persisten riesgos operativos: una traducción fluida puede ocultar un error semántico; una voz convincente puede generar más confianza de la que merece el contenido; y una conexión degradada puede romper la continuidad en el peor momento. La calidad acústica y la observabilidad del sistema forman parte de la seguridad.

• Eventos multilingües. Un mismo flujo puede alimentar audio traducido, subtítulos y contenido bajo demanda para varias salas.
• Reuniones híbridas. Los participantes pueden escuchar en su idioma sin perder por completo el tono del hablante.
• Atención y reservas. El agente mantiene la conversación mientras consulta sistemas y ejecuta tareas autorizadas.
• Accesibilidad. Transcripción, traducción y audio pueden adaptarse a preferencias y dispositivos distintos.
• Producción audiovisual. El contenido hablado puede generar versiones lingüísticas, índices, resúmenes y metadatos desde una fuente común.