阿里发布同传模型 Qwen3.8-LiveTranslate：延迟压到 2.3 秒，自带原声克隆

开跨国线上会议最折磨人的地方，莫过于一边盯着慢半拍的字幕，一边听着冰冷的机械音，还要时刻悬着心：AI 到底有没有把关键条款翻歪？

阿里发布了新一代实时同声传译模型 Qwen3.8-LiveTranslate。它把字均延迟直接从 2.8 秒压到了 2.3 秒，支持 60 种语言，甚至能克隆发言人的原声来念译文。

目前这个模型已经开放了 API，官方页面上也提供了可以在线体验的 Demo。

换上你的音色，还能看视频补上下文

传统的实时翻译往往把语音识别、文本翻译和语音合成拆成几个独立环节，串在一起难免越拖越慢。

Qwen3.8-LiveTranslate 这次做了一次底层架构重造。它把同传重构成音频与文本交织的单流架构，听过的音频和翻出来的译文都能直接缓存并复用，大幅砍掉了重复计算的耗时。

更直观的变化在听感上。模型支持声音克隆，当你在会上发言时，它能抓取你的音色，用你自己的声音去说另一种语言。

它还能实时区分不同的说话人，哪怕几个人轮流插话，模型也能分清谁说了什么，并分别用各自对应的声线输出译文。

目前它支持 60 种输入语言，以及 29 种语音输出语言。除了听声音，你甚至还能直接喂给它视频或图片，让模型参考视觉画面来消除长上下文里的歧义。

双语同屏对账，延迟刷到新低

用 AI 同传，很多人最大的顾虑就是漏译或翻错，偏偏自己还听不懂对方的语言。

阿里这次加了一个很实用的功能：原文与译文同帧同出。屏幕上双语同步滚动，相当于给双方提供了一份随时可以对照核对的台账。

在与 Seed Live Interpret、GPT Real Time 以及 Gemini Live 的横向对比中，阿里展示的测试结果显示，Qwen3.8-LiveTranslate 在准确性、流畅度和简洁性上的胜率都处于领先位置。

在整体翻译质量、端到端延迟和错误率方面，新模型的表现也都拿下了同类测试的最优成绩。

为什么重要

我们认为，把延迟压缩到 2.3 秒是一个关键的分水岭。在真实的跨国商务谈判、跨境电商沟通和行业展会里，几秒钟的停顿就会彻底打碎对话节奏。2.3 秒虽然还比不上顶级人类同传的即时反应，但已经足够应付绝大多数日常交流。

它最聪明的地方在于单流架构与原声克隆的结合。这不仅是省下几百毫秒算力的问题，而是让机器翻译脱离了那种冷冰冰的汇报感，让对话双方觉得依然是在跟真人面对面交谈。

对于中小出海团队和独立开发者来说，这意味着原本请不起专业同传的展会或谈判场景，现在可以用相对低廉的 API 成本搭出一套好用的翻译系统。

不过，看起来真正的考验还在多说话人、高背景噪音的复杂现场。模型在长音频下的说话人错误率是否依然可控，还得看后续大规模实测的表现。