Qwen 发布 Qwen3.8-LiveTranslate 实时同传模型，LAAL 降至 2.3 秒

API Demo

同声传译不仅关乎翻译速度——它还必须听得清楚、译得准确。Qwen3.8-LiveTranslate 以 Interleave 架构重构实时同声传译，全面提升忠实度、流畅度与简洁度，同时平均延迟（LAAL）从 2.8 秒降至 2.3 秒。我们希望同声传译不仅传递语言，也传递对话背后的人与语境。在支持 60 种语言的基础上，Qwen3.8-LiveTranslate 新增三项能力，将同声传译带入更广泛的真实场景：实时说话人分离，为每一句话提供清晰的归属，并实现更稳定的声音克隆；在同一个双语屏幕上同步输出原文与译文；以及长上下文消歧，结合前文理解当下，让姓名和术语更加精准。

核心亮点 #

· Interleave 架构：音频与文本交织融合，质量更高、延迟更低。 这一代将同声传译重构为单一的音频-文本交织流；已经听到的音频和已经产出的译文都可以被缓存并复用，因此翻译质量较上一代显著提升，同时平均延迟（LAAL）从上一代的 2.8 秒降至 2.3 秒。

· 实时说话人分离：内容归属更清晰，声音克隆更稳定。 当多人轮流发言时，模型能够区分不同的说话人以及各自所说的内容，并帮助翻译后的语音更准确、更稳定地保留每位说话人的音色。

· 原文与译文同步。 同传过程中的双语对齐既支持即时理解，也支持原文核对，为字幕显示、内容整理和检索等后续功能奠定基础——拥有更广阔的应用空间。

· 长上下文消歧：跨轮次关联历史，翻译更精准。 通过借助前文和历史上下文，模型缓解了复杂场景中专有名词、指代等的歧义，保持表达一致。

模型架构 #

Qwen3.8-LiveTranslate 采用基于 Hybrid-MoE 的 Thinker–Talker 双模块设计，通过交错方式连接流式理解、文本输出和语音生成。其中，Thinker 将视频、音频、源文本和译文编排为单一因果序列——按时间顺序交错并以端到端方式生成——使理解和翻译在同一序列内完成；Talker 随后将译文与源音频结合，把译文合成为保留原说话人音色的语音。

性能 #

多说话人长音频 #

在 Omnilingua-MSpeaker 这一覆盖 14 个语言方向的多说话人长音频评测集上，Qwen3.8-LiveTranslate 在四个维度上均优于当今主流的实时同传系统：翻译忠实度、流畅度、简洁度，以及说话人分离错误率（DER）。

多语言性能 #

我们在公开的 FLEURS 音频测试集上评估了 70 个语言方向的实时同传性能。Qwen3.8-LiveTranslate 在四个维度上均领先于上一代及当前主流的实时同传系统：翻译质量、平均延迟、语音识别准确率和语音合成质量。

🎬 实际效果演示 #

以下演示使用了 《西游记》 中的两段对话以及一组同音词示例，展示了说话人归属与声音克隆、同步双语输出，以及上下文和视觉信息如何帮助翻译消歧。

支持的语言 #

通过 DashScope API 使用 Qwen3.8-LiveTranslate #

下面是一个完整的实时同传客户端示例：它采集麦克风音频，将其流式传输到服务器，并接收和播放回传的译文。这一代新增的 说话人分离 和 源语言与译文同步输出 能力均可通过会话配置启用；服务器会在返回译文的同时返回说话人标识和源语言文本，无需再单独调用 ASR 接口。

未来方向 #

同声传译远未到达它的终点。在“听得更完整、传得更忠实、用得更广泛”的指引下，我们正朝着以下方向努力：

· 逼近同声传译的延迟极限 ：持续压缩端到端延迟，把“听到”与“译出”之间的间隔推向极限。

· 跨会话的长期记忆 ：将记忆跨会话带入同一项目、同一群人的下一次对话中，越用越好用。

· 覆盖更多语言 ：持续将覆盖范围扩展到更多长尾语言和地区方言，让实时传译能够服务世界上的每一个人。

引用 #

如果你觉得 Qwen3.8-LiveTranslate 有帮助，欢迎引用以下文章：