阿里巴巴旗下阿里千问于 9 月 19 日正式发布同声传译大模型 Qwen3.8-LiveTranslate。该模型以 Interleave 架构重构实时同传流程，将字均延迟（LAAL）从 2.8 秒降至 2.3 秒，在准确度、流畅度与简洁度上较上一代均有提升，面向会议、直播、课堂与跨国沟通等真实场景。

从 2.8 秒到 2.3 秒

实时同声传译最大的难点不在”翻得准”，而在”翻得跟得上”。字均延迟衡量的是源语言语音与其对应译文之间的平均滞后，在长达两小时的跨国会议里，半秒之差就可能造成说话人已翻篇、译员还在补上一句的脱节。

在支持 60 种语言的基础上，Qwen3.8-LiveTranslate 新增三项能力，直指同传落地时最容易被卡住的环节：实时说话人分离让每句话归属清晰、音色复刻更稳定；原文译文同帧同出实现双语同屏；长上下文消歧则联系前文语境理解当下内容，让人名与专业术语的翻译更精准。这三项能力过去往往要靠人工译员兜底，如今被写进了模型的能力清单。

Thinker 与 Talker 各管一段

技术路线上，Qwen3.8-LiveTranslate 采用基于 Hybrid MoE 的 Thinker–Talker 双模块设计，通过 Interleave 方式衔接流式理解、文本输出与语音生成。其中 Thinker 把视频、音频、原文与译文编排进同一条因果序列，按时序交替排列、端到端产出，让理解与翻译在单一序列内完成；Talker 则结合译文与源音频，将译文合成为保留原说话人音色的语音。

这种单模型内端到端的处理方式，替代了传统”语音识别 + 机器翻译 + 语音合成”逐级串联的流水线，减少了每一级衔接带来的缓冲与误差传播。语义单元预测让模型能在完整句子到达前就吐出连贯短语，动态采样控制新上下文到来时的输出时机，混合专家设计则把每个 token 只路由到模型参数的一部分，从而压低计算量。

评测全面领先主流系统

在覆盖 14 个语向的多说话人长音频评测集 Omnilingua-MSpeaker 上，Qwen3.8-LiveTranslate 在翻译忠实度、流畅度、简洁度以及说话人分离错误率（DER）四个维度上，均优于当前行业主流实时同传系统。官方还在公开 FLEURS 音频测试集上评测了 70 个语言方向的实时同传表现，结果显示其在翻译质量、字均延迟、语音识别准确率与语音合成质量四个维度上，均领先于上一代模型及当前主流实时同传系统。

用户可通过官方体验链接尝鲜，相关模型 API 也已同步开放。对于需要跨语言沟通的会议、直播与教学场景，这类将说话人分离、双语同屏与术语消歧整合进单一接口的同传模型，正在把过去由多个独立语音服务拼凑的流程压缩成一次调用。