跳到主内容

阿里千问发布实时同传模型 Qwen3.8-LiveTranslate：字均延迟从 2.8 秒压到 2.3 秒

2026-09-20 · 千问官方微博 / IT之家 / DoNews / 驱动中国 / BlockBeats

要点

  • 2026-09-19，阿里千问正式发布实时同声传译大模型 Qwen3.8-LiveTranslate，主打「同传不只翻译得快，更能听得清、译得准，并保留人物与上下文信息」。
  • 核心指标：字均延迟（LAAL，衡量同传平均滞后时间）从上一代的 2.8 秒降至 2.3 秒（约 -18%）。
  • 架构：采用基于 Hybrid MoE 的 Thinker–Talker 双模块设计，以 Interleave（音频-文本交织） 方式衔接流式理解、文本输出与语音生成。Thinker 把视频、音频、原文与译文编排进同一条因果序列按时序交替排列、端到端产出；Talker 结合译文与源音频，合成保留原说话人音色的译文语音。
  • 单流可缓存：同传被重构为音频-文本交织的单流形式，已听音频与已出译文均可缓存复用——这是延迟与成本同步下降的工程基础。
  • 三大新能力（在支持 60 种语言的基础上）：
    1. 实时说话人分离——多人交替发言时区分说话人与发言内容，译文语音稳定保留对应音色；
    2. 原文译文同帧同出——原文与译文同步流式返回、双语对齐，兼顾即时理解与原文核对；
    3. 长上下文消歧——结合前文与历史语境，减少专有名词、人物指代带来的歧义。
  • 评测（官方口径）：在覆盖 14 个语向的多说话人长音频评测集 Omnilingua-MSpeaker 上，忠实度、流畅度、简洁度与说话人分离错误率（DER）四个维度均优于当前主流实时同传系统；在公开 FLEURS 音频测试集的 70 个语言方向上，翻译质量、字均延迟、语音识别准确率与语音合成质量四维领先上一代及主流系统。
  • API 同步开放，价格基本持平：北京区音频输入、图片输入、文本输出、音频输出四项价格与上一代 Qwen3.5-LiveTranslate 完全相同，新加坡区四项价格还略有下降。
  • 体验入口：omni.qwen.ai/live-translate；API 模型 ID：qwen3.8-livetranslate-flash-realtime。

背景与分析

一、同传的竞争维度已经从「翻得准」变成「翻得像现场」

上一代实时同传产品的竞争焦点是准确率与语言覆盖；Qwen3.8-LiveTranslate 这一代把三件「人肉同传才有的东西」做进了模型默认能力：分清谁在说、保留谁在说、记住之前说过什么。

这三件事恰好对应真实会议的三类高频翻车场景：多人抢话（说话人分离）、需要核对原文的同屏场景（双语对齐）、长会议里的人名与术语（上下文消歧）。官方没有把「更准」当卖点，而是把「可用性」当卖点——这是同传产品从 demo 走向生产环境信号。

二、单流交织架构是延迟与成本的共同解

传统同传管线是「ASR → 翻译 → TTS」三级级联，每级都有延迟与误差累积。Qwen3.8-LiveTranslate 的 Interleave 架构把已听音频、已出译文放进同一条因果序列，带来两个直接后果：

  1. 已出译文可复用——重复内容不重算，LAAL 从 2.8 秒压到 2.3 秒的同时，算力成本反而可控；
  2. 上下文天然连续——消歧不需要额外的记忆组件，长会议里的人名、指代在序列内自然衔接。

这与语音 Agent 领域「端到端取代级联」的趋势一致（参见 Gemini 3.8 Live 的同类主张）——实时语音方向正在收敛到同一个架构答案。

三、价格持平的信号：抢的是场景入口，不是模型溢价

在同档 Qwen3.8-Max 因高价被对比的背景下，同传接口不涨价（北京区四项价格与上代完全相同）意图明显：会议、直播、客服这些实时场景是高频入口，先用功能增强 + 成本稳定把入口占住。叠加千问办公的既有用户盘，这步棋卡的是生态位而不是单次调用的毛利。

对开发者的影响

  • 做会议/直播/客服产品的，本周值得实测三项能力：说话人分离的音色稳定性、双语同屏的延迟体感、长会议（1 小时以上）的术语一致性——这三项是上一代产品最常见的差评来源，也是换模型的直接理由。
  • 接入成本低：API 模型 ID qwen3.8-livetranslate-flash-realtime，价格与上代持平意味着存量同传工作流可以直接平移升级，无需重新做成本测算。
  • 延迟敏感场景按 LAAL 2.3 秒做体验预算：字幕滚动、同声传译耳语等场景，2.3 秒的字均滞后已接近「可用」与「难受」的分界线；实测时用自己的真实语料，不要只看官方评测集。
  • 多语言覆盖的边界：官方口径为 60 种语言；上一代曾支持 3500 语言对（含长尾语种），如果你的场景依赖小语种，升级前先核对覆盖清单。
  • 模型路由视角：千问系 API 兼容 OpenAI 接口风格，配合 OpenRouter 等网关可与其余语音模型做 A/B，但实时语音流的路由切换需自测会话连续性。

AI 之家 观点

  1. 这代发布最值得记的是「架构收敛」：实时语音方向上，端到端单流正在同时赢得延迟、成本与上下文连续性三个战场，级联管线的时间不多了。做语音产品的团队，新项目不建议再基于「ASR + LLM + TTS」起架构。
  2. 「价格持平 + 功能增强」是效率型模型竞争的标准打法，与本月 DeepSeek V4.1 Flash、GLM-5.3 Flash 的定价策略一脉相承——中国厂商在实时交互赛道上打的不是旗舰溢价，是场景渗透。
  3. 同传是 AI 落地里「看起来简单、做起来最难」的场景之一：低延迟、双向流、说话人分离、术语一致、音色保留，五个约束同时成立。谁把这五个约束做成默认能力而不只是参数开关，谁就拿到会议市场的默认选项——千问这步走到了多数同行前面。
  4. 冷静项：全部评测数据为官方口径（Omnilingua-MSpeaker 与 FLEURS 均以「优于主流系统」定性呈现，未给具体分数），第三方独立复测出现前，选型请以自己的真实语料实测为准。

相关阅读

来源

待核实：LAAL 2.3 秒、Omnilingua-MSpeaker 与 FLEURS 评测结论均为官方口径，未见第三方独立复现与具体分数；「60 种语言」与上一代「3500 语言对」的口径差异待官方文档澄清；各地 API 实际价格以阿里云价目表为准。本资讯由 AI 之家 编辑部基于公开资料整理，非厂商付费内容。