Qwen3.8-LiveTranslate – 阿里通义推出的实时同声传译大模型

Qwen3.8-LiveTranslate是一款由阿里通义千问于2026年9月推出的端到端实时同声传译大模型，主要用于边听边译的跨语言实时交流，字均延迟（LAAL）降至 2.3 秒、支持 60 种语言音频输入与 29 种语言语音输出，适用于跨国会议、跨境直播与视频本地化等场景。

Qwen3.8-LiveTranslate 的核心能力

本代改动集中在一条主线上：把「还在听」和「已经在译」压进同一条流。这类端到端模型也是 AI 大模型 从通用能力走向垂直场景的典型落点。

Interleave 单流架构与 2.3 秒字均延迟

模型把同传重构为音频与文本交织的单流：已听到的音频与已生成的译文可缓存复用，不必每句从头重算。底层是基于 Hybrid MoE 的 Thinker–Talker 双模块——Thinker 把视频、音频、原文与译文编排进同一条因果序列并端到端产出；Talker 结合译文与源音频，合成保留原说话人音色的语音。官方给出的字均延迟（LAAL）为 2.3 秒。

实时说话人分离与音色复刻

多人交替发言时，模型先做说话人分离，把每句话归属到具体参与者，并据此为同一位说话人复刻音色。在覆盖 14 个语向的 Omnilingua-MSpeaker 评测中，其流式说话人分离错误率（DER）为 9.7%；译文语音不再是单一音色朗读，「谁在说」这条信息被保留了下来。

双语同帧输出与长上下文消歧

原文与译文在同一条交织序列中对齐生成，天然支持同帧输出：双语字幕、会议速记与内容检索都不必再做时间轴对齐。模型同时把历史对话纳入上下文，跨轮关联前文来确定当前译法，缓解专有名词与人名指代在长会话中前后不一致的问题。

60 种语言覆盖与视觉辅助输入

模型支持 60 种语言的音频输入与文本输出，其中 29 种可输出译文语音，其余语种返回文本。输入侧除音频外还可选传视频或图像帧，画面中的文字与手势可作为消歧线索，在嘈杂环境或同音词场景下补足声学信息。

Qwen3.8-LiveTranslate 与同类同声传译模型的对比

同传模型的取舍集中在延迟、翻译质量与多人长会话的一致性。以下对比数值取自千问官方发布材料的 FLEURS 评测图表（19 种语言、70 个语向），逐格列出。

把四项指标放在一起看，Qwen3.8-LiveTranslate 在延迟、翻译质量、识别准确率与语音自然度上同时超过上一代：2.3 秒对 2.5 秒、xCOMET-XXL 85.7 对 83.0、ASR WER 6.6％ 对 7.0％、UTMOS 4.0 对 3.9。拉开最大距离的是识别准确率——6.6％ 的字错率比 73.5 分的 GPT-Realtime-Translate、65.2 分的 Gemini 3.5 Live Translate 低了十几个点，说明延迟下降未牺牲识别质量。多人长音频线上，9.7％ 的流式 DER 也低于 GPT-4o-transcribe-diarize 的 18.0％ 与Gemini-3.5-transcribe-preview 的 26.7％；后两者为离线系统，与流式口径不完全可比。

如果想了解同门在实时语音方向的其他路线，可参考 Qwen-Audio-3.0-Realtime（阿里通义推出的实时语音交互模型，主打端到端语音对话与低延迟响应）。两者都处理流式音频，区别在输出目标：本模型产出另一种语言的译文，它面向的则是同一语言内的对话。

Qwen3.8-LiveTranslate 的应用场景与适用人群

该模型面向有真实跨语言沟通压力的场景，价值集中在多人、长时间、需要即时反馈的会话里：

• 跨国会议与商务谈判：多人交替发言时说话人分离能把每句话归属到参与者，译文语音保留各自音色，听感更接近真人同传。
• 跨境直播与在线教育：原文与译文同帧输出，双语字幕可直接投屏，下游无需再做时间轴对齐。
• 视频本地化与涉外服务：支持视频与图像输入，画面文字与手势可作消歧线索；长上下文消歧保证人名与术语前后一致。

适用人群：需要把跨语言沟通接进产品的工程与产品团队；跨国会议、跨境直播与涉外服务的运营方；以及正在做技术选型、需要实测同传延迟与质量基线的算法工程师。

Qwen3.8-LiveTranslate 的使用方法

模型提供在线体验与 API 两条路径，生产接入以流式会话为主：

1. 在线体验：从 Qwen3.8-LiveTranslate 官方发布页 进入演示页，授权麦克风并选定源语言与目标语言，即可看到双语字幕与译文语音。
2. 开通接口：在阿里云百炼（DashScope）控制台创建 API Key 与业务空间，确认可访问 qwen3.8-livetranslate-flash-realtime 模型。
3. 建立 WebSocket 会话：连接 wss://{workspace_id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime，用 session.update 把 input_audio_format 设为 pcm，并选择 output_modalities 的 text 或 text＋audio。
4. 开启增强能力：在会话配置里打开源语言识别与说话人标识，服务端会在返回译文的同时给出说话人标记与原文，不必再单独调用 ASR。

会话结束前必须发送 session.finish，否则最后一段译文会丢失；音频输入默认 16 kHz、输出 24 kHz。

Qwen3.8-LiveTranslate 的价格与开源情况

Qwen3.8-LiveTranslate 通过阿里云百炼（DashScope）按实时会话计费，官方发布材料未给出统一价目，单价随地域与音频输入输出时长浮动，落地前建议以百炼控制台的实时计费页为准。译文语音输出比纯文本输出消耗更多额度，长会议与直播建议先小流量试跑，量出输入与输出的时长比例再决定是否开启语音输出。

权重方面，本代模型未开放下载，只提供云端 API 调用，模型编码为 qwen3.8-livetranslate-flash-realtime。实时同传强依赖服务端的流式调度与音频编解码链路，目前仍以闭源商用服务交付，需要私有化部署的团队需自行串联语音识别、翻译与语音合成三段链路。

Qwen3.8-LiveTranslate 的常见问题