アリババ、同時通訳モデル「Qwen3.8-LiveTranslate」公開　遅延2.3秒、話者の声色も再現

海外とのオンライン会議で、機械的な音声が遅れて流れ、相手が話し終えるのを気まずく待つ時間は誰にとってもストレスです。

アリババは9月20日、次世代リアルタイム同時通訳モデル「Qwen3.8-LiveTranslate」を発表しました。1文字あたりの平均遅延を2.8秒から2.3秒に短縮し、60言語に対応。話者本人の声色を再現して翻訳音声を生成する機能を備えています。

現在はAPI経由で利用できるほか、公式サイトでWebデモが公開されています。

音声とテキストを単一ストリーム化、本人の声で訳出

従来の同時通訳システムは、音声認識、機械翻訳、音声合成の各工程を直列につなぐ構成が多く、処理待ちによる遅延が蓄積しがちでした。

Qwen3.8-LiveTranslateではアーキテクチャを刷新し、音声とテキストが混ざり合う単一ストリーム形式に再構築しました。すでに処理した音声や訳文をキャッシュして再利用することで、計算の無駄を削ぎ落としています。

最も特徴的なのが音声クローン機能です。発言者の声質を維持したまま別の言語を発声させることができるため、機械音声特有の違和感を抑えられます。

リアルタイムの話者分離にも対応しており、複数人が次々に発言する会議でも、誰が何を話したかを識別し、それぞれの声色で訳出を振り分けます。

対応言語は入力が60言語、音声出力が29言語です。さらに音声だけでなく動画や画像を入力として与え、映像の文脈を手がかりにして言葉の多義性を解消することも可能です。

原文と訳文の同時表示で確認の手間を削減

AI通訳を使う際、最も不安なのは「訳抜けや誤訳に気づけないこと」です。

新モデルでは、原文と訳文を同じフレーム内でリアルタイムに同時表示する機能を搭載しました。手元で随時照らし合わせができるため、重要な交渉での不安を軽減できます。

ベンチマークテストでは、忠実度、流暢さ、簡潔性の指標において、Seed Live Interpret、GPT Real Time、Gemini Liveなどの競合を上回る勝率を記録したとされています。遅延とエラー率においても最も低い数値を達成しています。

なぜ重要か

遅延を2.3秒まで縮めたことは、実用面で非常に大きな意味を持ちます。プロの同時通訳者のスピードには及ばないものの、海外展示会や越境ECの商談など「テンポが保てれば十分」な現場であれば、会話のキャッチボールを崩さずに成立させられる水準です。

単一ストリーム化による低遅延化と声色クローンの組み合わせは非常に巧みだと考えます。無機質な通訳ではなく、相手本人が直接語りかけてくる感覚に近づくため、会話の心理的なハードルが大きく下がります。

中小企業や個人開発者にとっても、高額な同時通訳者を雇うことなく、手頃なAPIコストで実用的な通訳ツールを組み込める道が開けました。

もっとも、騒音の多い現場や複数人が同時に喋る過酷な環境で、話者識別エラー率をどこまで低く抑えられるかが、今後の実用化における本当の試金石になりそうです。