阿里巴巴发布实时翻译模型 Qwen3.8-LiveTranslate，延迟降至 2.3 秒

阿里巴巴 Qwen 团队于 9 月 19 日发布新一代实时同声传译模型 Qwen3.8-LiveTranslate，可实时聆听语音（可选配视频帧）并在说话者讲话的同时返回翻译后的文字和语音。核心改进是采用全新交错式架构，将 LAAL（长度自适应平均延迟）从 2.8 秒降至 2.3 秒，模型支持 60 种语言理解。

延迟指标 LAAL 说明：从 2.8 秒降至 2.3 秒的技术背景与交错架构改进

Qwen3.8-LiveTranslate 使用的延迟指标是 LAAL（长度自适应平均延迟），衡量翻译语音平均落后于来源语音的程度，同时可避免奖励过度生成输出的系统。同声传译本质上是一种权衡：等待时间越长，模型获得的上下文越多；越早输出，对听者的延迟就越少。新版本通过交错式架构重构了这个循环，将 LAAL 从 2.8 秒降至 2.3 秒（降幅约 18%）。

模型基于 Qwen-Omni 技术栈，支持大规模多模态数据、跨语言和跨模态对齐以及视觉增强；Flash 模型也支持离线音频和视频翻译。

三项新功能说明：说话者分割、双语同步显示与长上下文歧义消除

Qwen3.8-LiveTranslate 新增了以下三项功能：

实时说话者分割：模型能够区分多人语音中的说话人，并通过稳定的语音复制技术保留每位说话者的声音；API 提供多种克隆模式，包含在多人会话中每次响应前重新克隆的“always”模式

双语同步显示：原始文字和译文同时显示；在 API 中，来源转录流以独立事件与译文流并列显示

长上下文消歧：模型利用对话历史来解析名称和术语；会议初期引入的名称在后续翻译中保持一致

语言支持与技术规格：60 种语言理解、29 种语音输出与多模态输入说明

模型可理解 60 种语言，其中 29 种语言可进行语音输出并同时输出文字，其余 31 种语言仅输出文字。输入支持音频和可选视频帧，在嘈杂环境或语义模糊时，唇部动作、手势和屏幕文字等视觉提示有助于理解（建议每秒发送图像不超过 2 张）。音频输入格式为 16 kHz PCM，输出为 24 kHz PCM；默认语音为 Tina。上下文窗口大小为 53,248 字符（49,152 用于输入，4,096 用于输出）；开发者可配置最多 1,000 个热词，将来源术语对应到固定的目标翻译。

API 接入、定价与功能限制：WebSocket 连接、新加坡与北京定价说明

开发者通过 WebSocket 实时 API（模型 ID：qwen3.8-livetranslate-flash-realtime）连接，默认速率限制为每分钟 10 个请求和 100,000 个代币。新加坡每百万代币定价：音频输入 7.50 美元、图片输入 0.55 美元、文字输出 20 美元、音频输出 30 美元；北京定价更低（分别为 5.653、0.466、14.133、22.613 美元）。音频输入每秒消耗 7 个代币，音频输出每秒消耗 12.5 个代币；在新加坡，一小时语音输入输出费用约 1.54 美元（不含文字和图像代币）。不支持函数调用、结构化输出、批次推理和微调。

常见问题

Qwen3.8-LiveTranslate 的 LAAL 延迟改善了多少？

LAAL（长度自适应平均延迟）从 2.8 秒降至 2.3 秒，降幅约 18%；同时在忠实度、流畅度和简洁性方面均有所提升，核心改进来自全新的交错式架构。

Qwen3.8-LiveTranslate 支持哪些语言？

模型可理解 60 种语言，其中 29 种语言支持语音输出（含中文、英文、阿拉伯文、德文、法文、西班牙文、日文、韩文、印地文等），另外 31 种语言仅支持文字输出。

Qwen3.8-LiveTranslate 的 API 费用大概是多少？

在新加坡，一小时语音输入输出费用约 1.54 美元（不含文字和图像代币）；北京定价约为新加坡的 75%。开发者通过阿里云模型工作室和 QwenCloud 的 WebSocket API 接入。