一场多人参与的跨语言会议里，翻译得快只是起点。听众还要知道每句话是谁说的，遇到人名和专业术语时能对照原文，后面的对话也不能忘记前面已经交代的背景。实时同传要把这些信息一起传过去，才更接近可用的交流工具。

Qwen 团队推出了面向实时语音同传的大模型 Qwen3.8-LiveTranslate，并在阿里云百炼平台上线了流式接入接口 qwen3.8-livetranslate-flash-realtime。

Qwen3.8-LiveTranslate 由两个部分协作：Thinker 一边听、一边结合画面和前文理解内容，Talker 再把译文说出来。在官方 FLEURS 多语言测试中，译文进度平均落后原话 2.3 秒；这项指标的英文缩写是 LAAL，用来比较实时翻译系统跟上说话人的速度。

这次升级集中在四项能力：

• 分清谁在说话：流式区分多位说话人，并让译文语音尽量保留各自音色；
• 原文译文同步出现：同一条数据流同时返回源语言识别结果与目标语言译文，便于字幕核对与内容整理；
• 用前文和画面消歧：结合长上下文与静态图像帧，处理指代、专名和同音词；
• 减少流式等待：把音频和文字交替放进同一条处理流，复用已经听过的音频和已经生成的译文；在 FLEURS 测试中，译文平均落后原话的时间从上一代的 2.8 秒降到 2.3 秒。

它怎样一边听、一边译、一边说

常见的语音同传系统分三步工作：先把语音识别成文字，再翻译文字，最后把译文合成为语音。三步前后相接，前一步听错了，错误容易传到后面；说话人的音色也很难穿过这条以文字为中心的链路。

Qwen3.8-LiveTranslate 改用 Thinker–Talker 双模块。底层的 Hybrid MoE 是一种“按任务选择部分专家模块参与计算”的架构；Interleave 则表示音频、原文和译文不再分批排队处理，而是按时间顺序交替进入同一条处理流。

系统的核心运作由两个模块协作完成：

Thinker 负责“听懂”。它把画面、声音、识别出的原文和正在生成的译文按时间顺序放在一起处理。系统可以继续利用已经听过的音频和已经译出的内容，不必每次从头计算，因此能更快接着往下翻译。

Talker 负责“把译文说出来”。它同时参考译文和原始声音，让合成的目标语言语音尽量保留原说话人的音色。

四项能力怎样用在真实对话里

为了应对多人交流与复杂语境，Qwen3.8-LiveTranslate 引入了针对性的流式处理能力：

区分说话人，并保留各自音色

在多人轮流发言或交替对话时，模型会用 spk1、spk2、spk3 这样的标签区分每句话是谁说的，并让对应的译文语音保留各自的音色。

原文和译文同步出现

模型在返回译文的同时，也会给出识别出的原文。应用可以把两种文字同步显示，读者既能直接看翻译，也能随时对照原话；双语字幕、内容整理和信息检索也因此有了可以直接使用的数据。

用前文理解人名和指代

结合前文对话与历史语境，缓解流式翻译中代词指代、人名与专有名词的歧义。在官方演示片段中，对话呈现了围绕火焰山、四季常热与庄稼无法生长的前后脉络，并在末尾演示了模型结合上下文将“铁山郡/Tieshan Country”纠正为“铁扇仙/Iron Fan Fairy”（按片中文字显示）的过程。

用画面判断同音词

当声音里出现同音词，仅靠前后文仍难以判断时，模型还可以参考摄像头画面。官方演示用了 pear/pair、leek/leak、sail/sale 三组读音相同、含义不同的词：画面里出现哪件实物，模型就据此选择对应的意思。

翻译速度、质量和说话人区分表现

Qwen 团队在 FLEURS 多语言测试集上比较了 19 种语言之间的 70 个翻译方向，例如“中文译英文”和“英文译中文”会算作两个方向。衡量译文质量的自动评分 xCOMET-XXL 越高越好：Qwen3.8-LiveTranslate 得到 85.7 分，上一代 Qwen3.5 为 83.0 分，Seed LiveInterpret 2.0 为 79.4 分，Gemini 3.5 Live Translate 为 73.5 分，GPT-Realtime-Translate 为 65.2 分。

速度方面，LAAL 衡量译文平均落后原话多久，越低代表跟得越快。Qwen3.8 的结果为 2.3 秒，Gemini 为 2.5 秒，Seed 与 Qwen3.5 为 2.8 秒，GPT 为 3.1 秒。听写准确度用 WER（词错误率）衡量，越低越好：Qwen3.8 为 6.6%，Seed 为 7.0%，Gemini 为 11.4%。合成语音的自然程度用 UTMOS 评分衡量，满分 5 分，越高越自然；Qwen3.8 得到 4.0 分。Seed 的语音自然度只测试了其支持语音输出的 26 个翻译方向，其余系统覆盖 70 个方向。

在 Omnilingua-MSpeaker 这项多人长音频测试中，Qwen 团队把 Qwen3.8 与其他模型的译文两两比较，分别观察内容是否忠实、表达是否流畅、句子是否简洁：

• 忠实度：面对 Seed、GPT、Gemini，Qwen3.8 胜率分别为 81.0%、79.3%、79.9%（对手胜率为 15.4%、17.3%、15.0%，其余为平局）；
• 流畅度：胜率分别为 87.2%、74.6%、95.6%（对手胜率为 9.9%、20.9%、3.4%）；
• 简洁度：面对 Seed 时，Qwen3.8 有 20.3% 的样本更好、70.0% 持平、9.7% 较差；面对 GPT 与 Gemini 时，胜率分别为 39.2% 与 83.2%。

区分说话人是否准确，可以看 DER（说话人分离错误率），数值越低越好。Qwen3.8 一边接收声音一边处理时，错误率为 9.7%；同样采用实时处理的 Seed-asr-2.0 为 30.6%。另外两项对照是在拿到完整录音后再处理：GPT-4o-transcribe-diarize 为 18.0%，Gemini-3.5-transcribe-preview 为 26.7%。

把这组数字收成产品判断，Qwen3.8 的优势并不平均。翻译质量的领先较明显，延迟的领先较小，多说话人分离是最值得实测的差距。xCOMET 比上一代高 2.7 分；LAAL 只比 Gemini 快 0.2 秒、比 Seed 与 Qwen3.5 快 0.5 秒；实时 DER 则是 9.7% 对 Seed 的 30.6%。GPT 和 Gemini 的 DER 是完整录音到手后的离线处理结果，可以帮助了解数值范围，但不能当成同样实时条件下的正面对比。

语种支持与覆盖范围

系统对不同语种提供三种能力：

• 音频输入 · 60 种：可以把这些语言作为源语音送入模型；
• 文字输出 · 60 种：可以返回这些目标语言的翻译文本；
• 语音输出 · 29 种：只有这个子集可以进一步合成目标语言语音。

例如，粤语可以作为输入语音，也可以输出粤语文字，但目前不能合成粤语语音。下面按能力分组列出全部语种，也可以直接搜索某一种语言。

开发者接入：用 WebSocket 持续发送和接收

在百炼平台上，客户端通过 WebSocket 保持一条不断开的网络连接，边发送音频边接收译文，无需等整段录音上传结束。接入地址格式如下：

wss://{workspace_id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/realtime?model=qwen3.8-livetranslate-flash-realtime

上述地址为华北 2（北京）地域接入端点，其中 {workspace_id} 为百炼业务空间 ID；不同地域（如新加坡国际服务）的接入地址不同。鉴权通过 WebSocket 连接建立时的 HTTP 请求头 Authorization: Bearer <DASHSCOPE_API_KEY> 传递。

一次同传连接分四步

建立连接后，客户端要完成四件事：告诉服务端译成什么语言，持续发送声音或画面，接收翻译结果，最后等待剩余内容处理完再关闭连接。

1. 设定目标语言和输出形式（session.update）

客户端连接建立后，首个发往服务端的事件应为 session.update。根据官方最新文档，qwen3.8-livetranslate-flash-realtime 的最小配置示例如下：

{
  "type": "session.update",
  "session": {
    "output_modalities": [
      "text",
      "audio"
    ],
    "translation": {
      "language": "en"
    }
  }
}

几个字段分别控制这些内容：

• 要文字还是语音：session.output_modalities 设为 ["text", "audio"] 时同时返回译文文字和语音；设为 ["text"] 时只返回文字。
• 同时返回原文：Qwen3.8 会一直进行语音识别，也就是把听到的声音转成原文文字；这项结果免费返回，不需要像 Qwen3.5 那样用 input_audio_transcription 手动开启。
• 译成哪种语言：在 translation.language 中填写目标语言。还可以用 translation.corpus.phrases 提供术语对照，例如 {"人工智能": "Artificial Intelligence"}，帮助模型稳定翻译行业词汇和专有名词。

2. 持续发送声音，需要时加入画面

• 发送声音（input_audio_buffer.append）：把麦克风采集的声音切成小段，使用 16000Hz、单声道的 PCM 格式，再转成便于网络传输的 Base64 文本并持续发送。服务端会自动判断一句话何时开始、何时结束，然后触发翻译。
• 发送画面（input_image_buffer.append）：需要模型参考画面时，可以把静态图片转成 Base64 文本后发送。图片需满足以下条件：
  • 图像格式必须为 JPG 或 JPEG，建议分辨率为 480p 或 720p（最高不超过 1080p）；
  • 单张图片大小在 Base64 编码前不得超过 500KB；
  • 图像推流频率不得超过每秒 2 张；
  • 发送 input_image_buffer.append 之前，会话中必须至少发送过一次 input_audio_buffer.append 音频事件。

3. 接收原文、译文和译文语音

服务端不会等整段对话结束才一次返回结果，而是用不同事件逐小段发送：

• 译文语音（response.audio.delta）：每次返回一小段 24000Hz、单声道的 PCM 音频，客户端按顺序放进播放队列。
• 译文文字：同时输出语音时，通过 response.audio_transcript.delta 逐段返回；只输出文字时，通过 response.text.delta 返回。客户端按接收顺序把片段拼起来。
• 识别出的原文：conversation.item.input_audio_transcription.text 持续返回已经确认的原文；这一段话识别完成后，conversation.item.input_audio_transcription.completed 给出完整原文和语种。
• 本轮结束（response.done）：表示这一轮翻译已经生成完，也会带回本轮使用的 Token 数量。Token 是 API 计算用量和费用的单位。

4. 等剩余内容处理完再关闭

录音结束时，客户端先发送 session.finish，告诉服务端“声音已经发完”。服务端把剩余声音处理完后会返回 session.finished。收到这个事件、并且本地播放队列也播完后，再断开连接，就不会截掉最后一句话。

客户端参考实现存档说明

官方博客此前提供过一份基于 Python 的全双工客户端示例代码，包含麦克风推流采集与后台多线程播放逻辑。该代码已原样存档供参考：official-client.py。

这份代码保留了博客发布时的原始注释，其中部分内容与当前 API 文档不同；实际接入时按当前文档调整。

API 价格与免费额度

这项 API 把声音、图片、文字和合成语音换算成 Token，再分别计费。根据阿里云百炼截至 2026 年 9 月 19 日公布的价格，华北 2（北京）地域中，qwen3.8-livetranslate-flash-realtime 每百万 Token 的原价为：

• 音频输入：40 元；
• 图片输入：3.3 元；
• 文字输出：100 元；
• 语音输出：160 元。

华北 2（北京）提供 100 万 Token 免费额度，有效期为开通百炼、模型发布或申请通过之日起 90 天内，以三者中较晚的日期为准；其他地域没有这项免费额度。新加坡地域的四项单价分别为 54.688 元、4.01 元、145.835 元和 218.752 元/百万 Token。

如果产品要同时返回译文语音，语音输出的单价最高；只需要字幕时，把 output_modalities 设为 ["text"] 就能避免这项输出。音频、图片、文字与语音各有不同的 Token 换算方式，所以价格表不能直接换算成“每分钟多少钱”。正式接入前，用一段典型会议同时试跑纯字幕与语音输出两种模式，再在百炼模型价格页和控制台账单中对比总用量。

接入后重点测试三件事

接入实时同传后，可以围绕说话人、术语和等待时间做三组测试：

能否分清每个人说了什么

• 测试问题：多人交替发言或快速接话时，系统能否稳定区分说话人归属并在译文中保持各自声线？
• 观察什么：spk 说话人标签是否跟着发言者正确切换；译文语音是否保留各人的音色；多人快速接话时是否出现角色混淆或声音变化。
• 不通过影响：听众无法凭字幕或声音分辨发言者身份，造成多人研讨或商务洽谈场景下的表达归属错乱。

人名和专业词能否前后一致

• 测试问题：领域专有名词、机构简称与同音词在长会话跨轮次交流中能否保持翻译一致？
• 观察什么：添加术语对照表前后，关键词的译法是否改善；对话进行一段时间后，同一个名字是否仍使用同一种译法，代词是否指向正确的人或事物。
• 不通过影响：专业词汇被误译为常见生活词汇，破坏专业会议的准确性，增加人工二次校正与核对成本。

声音切多长一段最合适

• 测试问题：每次发送多长的声音，才能既让译文尽快出现，又保持播放连贯？
• 观察什么：调整每段声音的长度（例如约 100 毫秒）后，第一段译文语音多久返回；网络不稳定时，播放是否断续或越积越多。
• 不通过影响：每段太长，模型要等更久才开始处理；每段太短，发送次数会增多。应在实际使用的网络中找到两者的平衡。

Qwen 团队接下来还计划继续缩短等待时间、探索跨会话的长期记忆，并覆盖更多小语种和区域方言。

开发者若需体验或接入该模型，可通过官方提供的 Demo 体验入口 进行试用，或查阅百炼官方 API 文档 获取最新的接入规范。