阿里通义千问发布Qwen3.8-LiveTranslate实时同传模型

全新实时同传模型正式发布

阿里巴巴通义千问团队正式发布Qwen3.8-LiveTranslate——一款面向实时场景的下一代同步口译大模型。该模型可接收直播语音流（支持可选视频帧输入），在讲话者尚未结束发言时，即同步输出翻译文本及语音。其核心突破在于全新设计的Interleave架构，在显著降低延迟的同时，提升译文的忠实度、流畅性与简洁性。官方数据显示，关键延迟指标LAAL（Length-Adaptive Average Lagging，长度自适应平均滞后）从2.8秒降至2.3秒，降幅约18%。

架构革新：重新定义实时性与质量平衡

同步口译长期面临延迟与质量的权衡困境：等待更久可获取更多上下文，但损害实时体验；过早输出则易导致误译或冗余。Qwen3.8-LiveTranslate通过Interleave架构重构处理流程，使模型能在语音流持续输入过程中动态分段理解、生成与修正。LAAL指标的设计亦规避了对过度生成系统的不当激励，更真实反映用户感知延迟。该模型被定位为Qwen3.8-LiveTranslate-Flash的实时版本，依托Qwen-Omni多模态技术栈，融合大规模跨语言、跨模态对齐数据及视觉增强能力。Flash版本同时支持离线音视频翻译。

三大新增核心能力

• 实时说话人区分（Speaker Diarization）：可自动识别多方对话中的不同讲话者，并通过更稳定的语音克隆技术保留各说话人声纹特征。API提供多种克隆模式，包括“always”模式——在多说话人会话中每次响应前均重新克隆对应声线。
• 同步双语显示（Synchronized Bilingual Display）：源语言转录文本与目标语言译文实时并列呈现。API中，源语转录与译文作为独立事件流分别推送，便于前端精准对齐。
• 长上下文指代消歧（Long-Context Disambiguation）：利用整场会议的历史对话，确保专有名词、术语等实体翻译前后一致。例如会议开场引入的姓名，在后续翻译中将保持统一译法。

多语言、多模态与输入输出支持

模型支持60种语言的理解能力，其中29种语言具备语音合成能力（输出音频+文本），其余31种仅输出文本。语音合成覆盖中文、英语、阿拉伯语、德语、法语、西班牙语、日语、韩语、印地语等主流语种。输入支持音频流及可选图像帧（如唇动、手势、屏幕文字），有助于嘈杂环境或歧义词识别；文档建议每秒输入图像不超过2帧。用户还可配置热词（hotwords），将源语特定术语映射为固定译文，上限建议1000条。

API接入、定价与使用限制

开发者可通过WebSocket实时API调用，模型ID为`qwen3.8-livetranslate-flash-realtime`。默认启用说话人检测（speaker_detection）进行语句切分，客户端持续推送音频流，服务端实时返回结果。默认音频采样率为输入16kHz PCM、输出24kHz PCM，语音角色默认为Tina。用户需显式设置`session.output_modalities`指定输出模态（仅文本，或文本+音频），并在会话结束前发送`session.finish`指令，否则末段内容可能丢失。新加坡区定价为：音频输入7.50美元/百万token、图像输入0.55美元/百万token、文本输出20美元/百万token、音频输出30美元/百万token；北京区价格更低（分别为5.653、0.466、14.133、22.613美元）。音频输入约消耗7 token/秒，音频输出约12.5 token/秒；一小时双向语音输入+输出成本约1.54美元（不含文本与图像token）。上下文窗口总计53,248 token（输入49,152，输出4,096），默认限流为每分钟10次请求、10万token。

功能限制与适用范围

当前版本不支持函数调用、结构化输出、批量推理及微调。模型仅通过阿里云Model Studio与QwenCloud以API形式开放，无本地部署选项。