Qwen3.8-LiveTranslate 發表：同傳延遲 2.3 秒，分得清誰在說話

Facebook Line Messenger Telegram

阿里巴巴通義千問團隊在台北時間 9 月 19 日下午 3 點 08 分，於官方 X 帳號宣布新一代即時同傳模型 Qwen3.8-LiveTranslate，官方部落格的發布頁面日期為 9 月 18 日。這次更新的重點可以用一句話講完：把即時同傳的字均延遲（LAAL）從上一代的 2.8 秒壓到 2.3 秒，同時補上即時說話人分離、原文譯文同幀同出、長上下文消歧三個往真實會議場景推進的能力，經由 DashScope API 的 qwen3.8-livetranslate-flash-realtime 模型對外提供。

先講定位，給正在選型的人：同一個九月，OpenAI 在 9 月 10 日把 GPT-Live-1 語音 API 推上正式版、Google 在 9 月 15 日發表 Gemini 3.8 Live，Qwen3.8-LiveTranslate 是九天內的第三發，但它鎖定的是更窄也更難的任務：講者不間斷發言時，系統邊聽邊譯。要判斷值不值得接，看三件事就夠：延遲數字怎麼量、三個新能力對應什麼場景、以及官方攤開的計費方式。

延遲從 2.8 秒到 2.3 秒，官方數字要這樣讀

官方 X 公告的原文寫著「reducing average lagging (LAAL) from 2.8s to 2.3s across 60 languages」，官方部落格同樣載明：字均延遲（LAAL）從上一代的 2.8 秒降至 2.3 秒。以兩代官方數字換算，幅度約 18%。LAAL 量的是講者說出某個語意重點、與系統譯出對應內容之間平均落後幾秒；同傳延遲的本質是取捨，太早開口，語意還沒收齊，容易翻錯，太晚開口，聽者落後講者越來越遠，LAAL 就是把這個取捨量化成的單一數字。

有個邊界要先畫清楚：LAAL 不等於使用者從聽到原文到聽到譯文的全程體感。麥克風採集、網路傳輸、緩衝播放都不在這個數字裡，端到端的實際延遲一定比 2.3 秒高。延遲下降的官方解釋指向架構重構：已聽過的音訊與已譯出的文字都能快取複用，品質提升與延遲下降因此可以同時成立。

Qwen 官方部落格開頭段落截圖，說明 Qwen3.8-LiveTranslate 以 Interleave 架構重構即時同傳，字均延遲 LAAL 從 2.8 秒降至 2.3 秒，並列出三項新能力 — Qwen 官方部落格開頭：LAAL 從 2.8 秒降至 2.3 秒，三項新能力一次列出（圖片來源：Qwen 官方部落格）

語言覆蓋沒有變動：音訊輸入搭配文字譯文支援 60 種語言，譯文語音輸出 29 種，與上一代 Qwen3.5-LiveTranslate-Flash 相同。換句話說，這一代的重點不在會更多語言。輸入清單包含中文、英語、日語、韓語、粵語、阿拉伯語等 60 種，輸出語音名單則短得多，完整兩份名單以官方語種表為準。

Qwen 官方部落格的支援語種表截圖，輸入音訊與輸出文字語言共 60 種，輸出音訊語言 29 種，兩欄完整語言清單並列 — Qwen 官方語種表：音訊輸入 60 種語言、譯文語音輸出 29 種，與上一代相同（圖片來源：Qwen 官方部落格）

三個新能力，對著會議室而不是聊天視窗

官方列出的三項新能力，各自對應一種過去即時翻譯做不好的場景，方向一致：把即時翻譯從一句一句的語音轉換，推向有記憶、有歸屬、可留痕的會議基礎設施。

第一是即時說話人分離（speaker diarization）：多人交替發言時，系統區分不同說話人與各自的發言內容，譯文語音據此保留每個發言者的音色。過去多人場合的即時翻譯通常整場只有一個合成聲音，聽的人分不清這句話是誰講的；這個能力直接決定跨語言會議、法庭聽審、多方談判能不能交給機器。音色複製本身在上一代就有，這一代的差別是換人說話時聲音跟著換，而且官方強調複製更穩定。對音色複製這條技術有興趣的讀者，可以對照我們先前實測過的 MixVoice 語音克隆，兩者原理同源、用途不同。

第二是原文譯文同幀同出：原文與譯文同步呈現，雙語並列在同一個畫面。這個功能是給眼睛用的：字幕顯示、事後整理、檢索核對都需要原文對得上譯文。官方把它做成 WebSocket 協定的原生輸出，客戶端不必再外接一個語音辨識服務；需要原文辨識結果的話，會話設定裡可以開啟 qwen3-asr-flash-realtime，翻譯與原文同步拿。想在電腦上做類似雙語字幕應用的讀者，我們介紹過的 AirTranslate 是本機工具端的同類場景，可對照參考。

第三是長上下文消歧：結合前文與歷史語境，緩解專有名詞與指代關係造成的歧義，讓人名、術語跨輪一致。翻譯會議最常見的失誤不是聽錯單字，是同一個人名前後三種譯法、同一個專案代號每十分鐘換一個拼法。官方的解法是把對話歷史保留下來參與當下的推理，官方示範影片也用《西遊記》對話與同音詞例子展示說話人歸屬、雙語同步與視覺線索怎麼協同消歧。

一條序列搞定聽、譯、說：Interleave 與 Thinker-Talker

架構面，官方部落格給了兩個關鍵詞。第一個是 Interleave（交錯）：連續輸入的音訊編碼、即時產生的譯文文字、待合成的譯文語音，全部交錯編排進同一條因果序列，由模型自己決定什麼時候繼續聽、什麼時候開口譯。過去語音辨識、翻譯、語音合成三段串接的管線，每段都有自己的緩衝區，延遲層層疊加；收進單一序列後，已聽的音訊與已出的譯文共用同一份快取，不必在模組之間來回轉換。

第二個是 Thinker-Talker 雙模組，建立在 Hybrid MoE（混合專家架構）之上：Thinker 負責理解與翻譯，把影片、音訊、原文與譯文編排進同一條序列；Talker 負責語音生成，結合譯文與源音訊，合成保留原說話人音色的譯文語音。Thinker 的輸入清單裡還有一項：影片。影像也是翻譯的上下文之一，API 因此提供傳送影像畫面的方法，官方示範裡也演示了畫面資訊怎麼幫助聽不清楚的片段消歧。

對多數讀者，這段記一個判斷就夠：把更大的模型直接搬進即時迴圈會讓延遲失控，阿里改用架構分工讓理解與發音並行。官方未公布參數量與模型尺寸，這一代也沒有開放權重，只能經由 API 使用，想自架或微調的人這一代沒有選項。

真正的接入協議長這樣，流傳的範例對不上

模型經由 DashScope 的 WebSocket 介面提供，會話怎麼建立、事件怎麼收發，官方部落格附了一份完整的 Python 客戶端，幾個關鍵點直接決定能不能跑起來。連線端點帶有百煉業務空間 ID，北京區的格式是 wss://{workspace_id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime?model=qwen3.8-livetranslate-flash-realtime，也就是說環境變數要備齊 API Key 與業務空間 ID 兩樣。音訊規格固定：麥克風輸入 16kHz、播放輸出 24kHz，都是 PCM 單聲道。

協定是事件式的：session.update 設定目標語言與輸出模式（語音加文字，或僅文字）、input_audio_buffer.append 把麥克風音訊逐塊上傳、譯文以 response.audio_transcript.delta（文字）與 response.audio.delta（語音）流式返回，收工時送出 session.finish 並等服務端回 session.finished，避免最後一段譯文丟失。

兩個實用選項：熱詞表 corpus 可以把品牌名、行業術語的固定譯法注入會話，官方文件直接以人工智慧、機器學習當範例；要同步拿原文辨識結果，在會話設定開 input_audio_transcription 並指定 qwen3-asr-flash-realtime。視覺上下文另有 input_image_buffer.append 可傳影像畫面。

一個提醒：發布當天網路上已經出現掛著官方名號的接入範例，端點寫成 dashscope.aliyuncs.com/api-ws/v1/inference，參數裡有 voice_clone、enable_diarization 這類開關。對照官方客戶端，這些全部對不上：端點格式、事件名稱、參數結構都是另一套寫法。抄程式碼之前先以官方部落格附的版本為準，可以省下好幾個小時的除錯時間。

新加坡同價、北京微漲：兩區官方價目一次攤開

計費按輸入與輸出 tokens 分開算，官方帳單頁的數字（每百萬 tokens）如下：國際（新加坡）區音訊輸入 7.5 美元、影像輸入 0.55 美元、譯文文字輸出 20 美元、譯文語音輸出 30 美元；同一張價目表的北京區掛 5.653、0.466、14.133、22.613 美元。新模型附 100 萬 tokens 免費額度，自開通、模型發布或申請通過日起算 90 天有效，且僅限新加坡區。

Alibaba Cloud Model Studio 官方帳單頁的 Qwen-LiveTranslate-Flash-Realtime 定價表，新加坡區 qwen3.8-livetranslate-flash-realtime 音訊輸入 7.5 美元、影像輸入 0.55 美元、譯文文字輸出 20 美元、譯文語音輸出 30 美元，免費額度 100 萬 tokens — 官方價目表：qwen3.8 與 qwen3.5 新加坡區同價，更早的 qwen3 音訊輸入要 10 美元（圖片來源：Alibaba Cloud Model Studio 文件）

放回世代對照更有意思：新加坡區的上一代 qwen3.5-livetranslate-flash-realtime 與這次完全同價，延遲改進沒有加價；北京區的 3.8 比上一代略高（音訊輸入 5.653 對 5.501 美元，差約 3%）。再往前一代，2025 年 9 月上線的 qwen3-livetranslate-flash-realtime 在新加坡區音訊輸入要 10 美元、譯文語音輸出要 38 美元，一年內這條產品線的單位成本降了約四分之一。若需求不在即時，官方同頁還列了檔案模式的 qwen3-livetranslate-flash，走 Chat Completions 介面，新加坡區音訊輸入 1.577 美元，定位是延遲高一些、品質更好的影片配音與播客翻譯。

台灣讀者走國際站的 Model Studio（新加坡區）就能開通，免費額度也在這一區；北京區價目雖然同頁並列，連線時要走百煉業務空間的端點，兩邊帳務是分開的。

跟 GPT-Live-1、Gemini 3.8 Live 不是同一張獎狀

九天三發容易讓人以為三家在打同一場仗，任務其實不同。GPT-Live-1 與 Gemini 3.8 Live 是通用語音代理的前端：你說一段、它回一段，比的是對話手感、工具呼叫與推理，兩者的計費也圍繞對話設計（GPT-Live-1 每分鐘 0.05 美元只買語音層、推理後端另計；Gemini 3.8 Live 按單一價目表全包）。Qwen3.8-LiveTranslate 是專用同傳：講者不間斷、系統邊聽邊譯，延遲指標是 LAAL，評測軸是忠實度、流暢度、簡潔度與說話人分離錯誤率，計費分成兩種輸入與兩種輸出，共四個價目。把兩邊放進同一張對照表，數字看似可比，實際量的是不同的東西。

官方對成績的表述也要留意讀法：在官方自建的多說話人長音訊評測集 Omnilingua-MSpeaker（14 個語向）與公開的 FLEURS（70 個語向）上，官方宣稱翻譯品質、延遲、辨識與合成四個維度領先主流即時同傳系統，但公告與文件都沒有給出分數，也沒有列出比較對象名單。領先是官方自報，要驗收，得拿自己場景的語料實測，免費額度正是拿來做這件事的。

現在可以做的事，與還不能驗證的事

想先感受成品：官方的 Omni 即時翻譯示範頁（omni.qwen.ai/live-translate）已經上線，頁面載明即時輸出雙語字幕、近乎同步朗讀譯文語音，介面帶相機與降噪開關，模型選單就是這次的 Qwen3.8-Livetranslate-Flash-Realtime，打開就能對著麥克風試，不必先寫任何程式。

Qwen 官方 Omni 即時翻譯示範頁截圖，標題即時翻譯，說明支援 AI 同步口譯、即時輸出雙語字幕並近乎同步朗讀譯文語音，附相機與降噪開關，模型選單為 Qwen3.8-Livetranslate-Flash-Realtime — 官方 Omni 示範頁：模型選單直接掛上 Qwen3.8-Livetranslate-Flash-Realtime（圖片來源：Qwen Omni）

也有不必心動的人：已經用 GPT-Live-1 或 Gemini 3.8 Live 做對話代理的，任務不同不用換；只有純文字翻譯需求的，更便宜的文字模型很多，不必為了同傳付語音輸出的錢；要求離線或自架的，這一代沒有權重可下載，等官方後續動向再說。

開發者的下一步很明確：到 Model Studio 開帳、拿 API Key 與業務空間 ID，用 90 天內有效的 100 萬 tokens 免費額度，拿自己會議的錄音跑一輪，把真實的產品名與術語塞進 corpus 熱詞表測一致性，這比看任何評測都準。已經在用上一代的：新加坡區同價換型號名稱即可，行為相容的風險低，仍建議先抽測再全量切換。

還不能驗證的事也說清楚：LAAL 2.3 秒尚無第三方複測；官方評測集沒有公開分數與對象；權重未開放，無法自架；官方列出的下一步（壓延遲極限、跨會話長期記憶、更多長尾語種）都屬於方向宣示，官方未給時程，其中跨會話記憶若落地，長上下文消歧會再往前推一級。價格與規格以官方頁面 9 月 19 日刊載內容為準，若官方計費頁或文件更新，數字可能變動；免費額度的 90 天期限最早自模型發布日起算，大約到 12 月中旬。