描述：千问发布Qwen3.8-LiveTranslate，公开说明字均延迟降至约2.3秒。模型可处理音视频，支持约60种语言理解与29种语言语音输出，并默认开启说话人分离。
标签：千问, LiveTranslate, 同声传译, 阿里
同声传译最难的不是「会不会翻」，而是边听边说还不能把句子攒太长。千问把这件事收成一款可调用的实时模型，而不是再发一条演示视频。
千问是阿里的大模型产品线。产品文档将Qwen3.8-LiveTranslate-Flash-Realtime标为稳定版实时音视频翻译模型：输入音频和图像，输出文本与语音。文档写明可理解约60种语言，其中约29种支持语音合成。调用走WebSocket实时接口，模型名为qwen3.8-livetranslate-flash-realtime，地址挂在通义兼容的实时端点上，用会话参数决定输出是纯文本还是文本加语音。
千问方面说明，这代用Interleave（交织）方式重构实时同传。白话就是：视频、音频、原文和译文被编进同一条按时间推进的序列，理解、译文文本和语音生成不再各跑一条事后拼接的流水线。公开架构描述为基于混合专家的Thinker–Talker双模块：Thinker负责把多模态材料排进因果序列并产出译文，Talker再结合译文和源音频，合成尽量保留原说话人音色的语音。
公开说明里新增的三项场景能力：
文档还写明，相对上一代实时同传接口，端到端延迟降到约2.3秒；千问对比口径是字均延迟从约2.8秒降到约2.3秒。说话人分离和语音识别转写默认打开。上下文窗口为53248，最大输入49152，最大输出4096。默认断句方式是说话人检测，而不是只能靠静音切句。体验入口在千问全模态站点的实时翻译页，API走同一模型名。
字均延迟（LAAL）可以理解成「每个词平均要等多久才被译出来」。2.3秒仍不是耳语级同步，但比把整句听完再翻更接近会议和直播。FLEURS公开音频集上，千问称在约70个语言方向比较了翻译质量、延迟、识别准确率和合成质量，并称领先上一代及一批现有实时同传系统。这是厂商自测口径，不是第三方复现。
实时同传过去常拆成「识别、翻译、合成」三段，任何一段排队都会把延迟堆上去。交织序列的赌注是：少交接一次，就少一次等待，也少一次音色和说话人对不齐。代价是上下文并不长，五万级token更适合一场会，不适合把一整天的多语档案一次性塞进去。输出上限4千多token，也说明它被设计成流式会话，不是长文生成器。
对已经接千问实时接口的团队，这是换模型名就能试的增量；对要私有化的团队，当前公开路径仍是云端API。下一步值得看的，是弱网下说话人分离是否还稳，以及29种语音输出之外的语言，是否长期只能出文字。