Traducción en tiempo real con Gemini 3.5 Live Translate: cómo funciona y qué puedes construir
Durante años, la traducción simultánea fue exclusiva de grandes conferencias internacionales con equipos de intérpretes y cabinas especializadas. En agosto de 2026, Google cambió esa ecuación con el lanzamiento de Gemini 3.5 Live Translate, un modelo de traducción en tiempo real disponible directamente desde la Gemini API. La pregunta ya no es si esta tecnología existe — es qué tan rápido puedes integrarla en tus propias aplicaciones.
Google publicó un demo open source que muestra exactamente cómo construir un sistema de transmisión multilingüe: un presentador habla, y los asistentes escuchan en su idioma preferido desde su celular, con subtítulos en tiempo real. El código está disponible en GitHub y el stack es completamente accesible para cualquier equipo de desarrollo moderno.
En este artículo desarmamos la arquitectura, explicamos las decisiones de diseño más importantes y analizamos cómo esta tecnología puede aplicarse en empresas y eventos en Perú y América Latina.
Cómo funciona la arquitectura de traducción en tiempo real
El sistema se construye sobre tres componentes principales: Next.js como framework de frontend y servidor, LiveKit como infraestructura de salas en tiempo real, y Google Cloud Run para el despliegue. La Gemini API actúa como el motor de traducción que conecta todo.
El flujo funciona así: el presentador transmite audio desde su navegador — ya sea desde el micrófono o desde una pestaña del navegador — hacia una sala de LiveKit. Ese audio viaja como datos PCM puro a través de WebSockets. Cuando un oyente solicita un idioma específico, el sistema abre una sesión de Gemini Live Translate para ese idioma y le transmite el audio traducido.
Lo más inteligente del diseño es la gestión de sesiones. Si diez personas quieren escuchar en francés, el sistema no abre diez sesiones de traducción — abre una sola y todos los oyentes se suscriben a esa misma sesión. Esto es crítico tanto para el rendimiento como para el costo. Cada idioma adicional sí requiere su propia sesión de Gemini, pero el número de oyentes por idioma no multiplica el consumo de recursos.
Los subtítulos también viajan en tiempo real: el modelo devuelve transcripciones intermedias (que aparecen inmediatamente) y transcripciones finales (que se consolidan en párrafos completos). Esto se transmite a los participantes usando canales de datos WebRTC.
Las decisiones técnicas que más importan
El demo usa Google Cloud Run con una configuración mínima de instancias en cero. Esto significa que si no hay tráfico activo, la infraestructura se apaga completamente y no genera costo. Para eventos que ocurren en ventanas de tiempo definidas — como conferencias o webinars — esto es una ventaja económica significativa.
Sin embargo, el demo actual tiene una limitación explícita y bien documentada: el estado de las sesiones se maneja en memoria. Esto obliga a limitar el despliegue a una sola instancia de Cloud Run. Si la instancia cae o se reinicia, el estado se pierde. Para escalar horizontalmente, el equipo de Google recomienda mover la gestión del estado a una base de datos externa, lo que permitiría múltiples instancias y mayor resiliencia.
En términos de capacidad práctica, el sistema funciona bien con hasta 15 o 20 idiomas simultáneos. Más allá de eso, el CPU empieza a ser el cuello de botella porque cada idioma mantiene una conexión WebSocket de larga duración activa. Si necesitas escalar más, la solución sugerida es separar cada idioma en su propia sala independiente.
El despliegue completo se hace con un solo comando de Cloud Run, usando Google Secret Manager para gestionar las credenciales de la API de Gemini y de LiveKit de forma segura. No hay configuración compleja de infraestructura.
¿Cómo aplica esto en empresas de Perú y América Latina?
América Latina es una región lingüísticamente diversa, pero también con una realidad concreta: muchas comunidades indígenas, equipos distribuidos entre países y eventos regionales donde el español de un país no siempre es el mismo que el de otro. La traducción en tiempo real tiene casos de uso muy tangibles en este contexto.
Las organizaciones que organizan eventos corporativos, congresos o capacitaciones con participantes de múltiples países pueden ofrecer traducción simultánea sin contratar intérpretes humanos para cada idioma. Los asistentes escanean un QR, seleccionan su idioma y escuchan en sus auriculares.
Para empresas con equipos remotos distribuidos entre Perú, México, Colombia y Brasil, una herramienta de reuniones con traducción en tiempo real puede eliminar barreras de comunicación sin requerir que todos dominen el mismo idioma al mismo nivel.
También hay aplicaciones en atención al cliente multilingüe, plataformas educativas con instructores internacionales, y sistemas de transmisión interna para empresas con operaciones en múltiples países.
¿Cómo aplica esto en tu empresa?
Si tu empresa organiza eventos, capacitaciones o tiene equipos distribuidos en múltiples países, estos son los pasos concretos para evaluar si esta tecnología tiene sentido para ti:
- Empieza con el demo open source. El código está disponible en el repositorio oficial de Google Gemini en GitHub. Un desarrollador puede levantar el entorno localmente en pocas horas siguiendo el README.
- Crea una cuenta en LiveKit Cloud. Es gratuita para empezar y elimina la necesidad de gestionar infraestructura de salas en tiempo real por tu cuenta.
- Obtén acceso a la Gemini API. Gemini 3.5 Live Translate está disponible en Google AI Studio. Los costos dependen del volumen de audio procesado.
- Define el caso de uso antes de construir. ¿Es para un evento puntual? ¿Para una plataforma continua? Esa respuesta define si necesitas la arquitectura simple del demo o si necesitas mover el estado a una base de datos desde el inicio.
- Planifica el límite de idiomas. Para la mayoría de eventos en LATAM, con 5 a 8 idiomas simultáneos estás muy bien cubierto. No necesitas sobrediseñar para el día uno.
Lo más importante: esta tecnología ya no requiere un equipo grande ni una inversión de infraestructura significativa. Un desarrollador con conocimiento de Next.js y acceso a las APIs puede construir un prototipo funcional en días.
Conclusión
Gemini 3.5 Live Translate representa un cambio real en lo que un equipo pequeño puede construir. La combinación de un modelo de traducción de alta calidad, infraestructura serverless con Cloud Run y la gestión inteligente de sesiones por idioma hace que sistemas que antes requerían equipos especializados y presupuestos altos sean ahora accesibles para cualquier empresa con un equipo de desarrollo moderno.
La limitación actual — estado en memoria, una sola instancia — es honesta y bien documentada. No es un problema oculto, es un punto de partida claro para quienes quieran llevar esto a producción a mayor escala.
En Consultoría-Ti trabajamos con empresas en Perú y América Latina que quieren integrar tecnologías de IA en sus procesos y productos reales. Si quieres explorar cómo una solución como esta podría funcionar en tu contexto específico, conversemos.
→ Contáctanos en Consultoría-Ti y evaluemos juntos tu caso
Fuentes y Referencias
How to build with Gemini 3.5 Transcribe — Google for Developers (YouTube)
✨ Contenido generado con ContentFlow — Consultoría-Ti