Qwen3.8-LiveTranslate：阿里通义千问推出的实时流式同声传译模型

一、Qwen3.8-LiveTranslate是什么

Qwen3.8-LiveTranslate是阿里通义千问团队发布的新一代实时同声传译模型，完整模型标识为qwen3.8-livetranslate-flash-realtime，依托WebSocket实时接口提供流式同传服务。

该模型面向音频实时翻译场景，支持音频输入，可附加视频画面作为辅助信息，一边接收语音流，一边持续输出翻译文本与合成语音，主打低延迟多人会议同传，能够保留说话人音色完成语音翻译输出。模型仅开放云端API调用，权重并未开源。

二、功能特色

1. 低延迟流式同声翻译：字均延迟低至2.3秒，持续接收音频流，边听边译，满足会议实时沟通需求。

2. 多语种能力：支持60种语言语音识别，其中29种语言可生成翻译语音，其余语种仅输出翻译文本。

3. 说话人区分识别：多人对话场景自动区分发言人，标记不同说话人对应的译文，解决多人混杂对话翻译混乱问题。

4. 长上下文术语消歧：读取对话上下文，对人名、专业行业术语持续修正翻译结果，提升专业场景翻译准确度。

5. 多模态辅助理解：支持传入视频画面信息，依靠口型、画面文字辅助识别，改善嘈杂环境下的翻译稳定性。

6. 原音色复刻语音合成：翻译后的语音可以复刻原说话人音色，翻译语音听起来如同本人使用外语发言。

7. 自定义热词注入：可导入行业术语库，适配医疗、工业、学术等垂直领域，固定专有名词翻译。

三、技术细节

Qwen3.8-LiveTranslate采用Interleave架构+Hybrid-MoE混合专家模型，内置Thinker–Talker双模块协同工作：

• Thinker模块：负责音频、视频画面、对话原文译文交错时序编排，完成端到端流式语音理解与文本翻译，结合上下文做术语消歧。

• Talker模块：接收Thinker输出译文以及源语音特征，完成带原说话人音色特征的翻译语音生成。
  通信层面基于WebSocket Realtime API实现双向流式传输，音频分片持续上传，模型实时返回字幕文本与语音流，无需等待完整音频文件上传后再处理。

四、应用场景

• 国际线上线下会议实时同声传译，多人圆桌讨论、跨国远程研讨会。

• 跨境直播实时字幕+翻译语音输出，海外带货直播、多语种线上发布会。

• 跨国线上教学、远程学术访谈，多语言课堂实时翻译。

• 涉外展会、跨国商务谈判，现场音频实时转译。

五、使用方法

1. 进入阿里云百炼Model Studio平台，开通模型调用权限。

2. 使用WebSocket实时接口建立长连接，持续推送分片音频数据，可选同步传入视频画面信息作为辅助。

3. 按需配置自定义热词库，设置术语固定翻译规则。

4. 客户端持续接收模型返回流数据，包含译文文本、说话人标识以及翻译音频流。

5. 在前端程序完成字幕渲染、语音播放等二次开发。

六、竞品对比

七、常见问题解答

Q：Qwen3.8-LiveTranslate是开源模型吗？

A：目前该模型没有开放权重，仅提供阿里云百炼平台的商用WebSocket API调用，无法下载模型文件本地部署。

Q：模型输入只能是音频吗？

A：核心输入为音频流，视频画面可以作为辅助上下文传入，画面信息用来辅助理解对话内容，不会自动翻译画面内的文字。

Q：热词库支持多少条术语导入？

A：阿里云百炼平台限制单次会话热词数量，满足常规会议、行业场景专有名词固定翻译需求，具体上限参考平台文档。

Q：翻译语音一定可以复刻原说话人的音色吗？

A：需要足够的源语音特征，短语音片段下音色复刻效果会下降；29种支持语音输出的语种才能启用音色复刻能力。

八、总结

Qwen3.8-LiveTranslate是面向会议、跨境直播等场景打造的专业实时同传API模型，依托Interleave架构与Thinker-Talker双模块实现低延迟流式翻译，在语种覆盖、多人说话人识别、音色复刻、多模态辅助方面相比前代Qwen3.5-LiveTranslate全面升级，依托阿里云百炼平台提供WebSocket长连接流式调用能力，适合开发者集成到各类需要实时语音翻译的产品中，是国内商用实时同声传译方案的重要选择。