摘要：
2026年9月18日，阿里通义千问推出Qwen3.8-LiveTranslate，一款端到端实时同声传译大模型。字均延迟降至2.3秒，支持60种语言音频输... 2026年9月18日，阿里通义千问推出Qwen3.8-LiveTranslate，一款端到端实时同声传译大模型。字均延迟降至2.3秒，支持60种语言音频输入与29种语言语音输出，新增说话人分离、双语同帧与长上下文消歧能力。模型编码为qwen3.8-livetranslate-flash-realtime，通过DashScope WebSocket实时API接入，未开放权重。
把“还在听”和“已经在译”压进同一条流
本代改动集中在一条主线：Interleave单流架构。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为2.3秒。
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%，低于GPT-4o-transcribe-diarize的18.0%与Gemini-3.5-transcribe-preview的26.7%。译文语音不再是单一音色朗读，“谁在说”这条信息被保留下来。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、会议速记不必再做时间轴对齐。
四项指标全面超越上代与竞品
以下对比数值取自千问官方FLEURS评测图表（19种语言、70个语向）：
| 对比维度 | Qwen3.8-LiveTranslate | GPT-Realtime-Translate | Gemini 3.5 Live Translate |
|---|---|---|---|
| 字均延迟 | 2.3秒 | 2.8秒 | 3.1秒 |
| 翻译质量 | xCOMET-XXL 85.7 | 73.5 | 65.2 |
| ASR WER | 6.6% | 未公布 | 未公布 |
| 语音自然度 | UTMOS 4.0 | 3.4 | 3.0 |
四项指标同时领先，拉开最大距离的是识别准确率——6.6%的字错率比GPT-Realtime-Translate和Gemini 3.5 Live Translate低了十几个点，说明延迟下降未牺牲识别质量。
应用场景与使用方式
跨国会议与商务谈判中，说话人分离把每句话归属到参与者，译文语音保留各自音色；跨境直播与在线教育中，双语字幕可直接投屏；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。在AI工具导航的视角下，这类实时同传模型正成为跨语言协作的基础设施；对于关注AI办公软件推荐的团队，跨国会议场景可直接将其纳入会议工具链。
使用上，可先在官方发布页在线体验；生产接入通过阿里云百炼创建API Key，连接WebSocket端点，设置input_audio_format为pcm，选择output_modalities的text或text+audio。开启源语言识别与说话人标识后，服务端返回译文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。
价格与开源
模型通过DashScope按实时会话计费，官方未给出统一价目，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实时计费页为准。译文语音输出比纯文本消耗更多额度，长会议与直播建议先小流量试跑。本代未开放权重，只提供云端API调用；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。