千问 Qwen3.8-LiveTranslate 解读：把实时同传从「翻译快」做到「听得出谁在说话」

2026 年 9 月 18 日，千问在同一天放出了两条重磅：Qwen3.8-Omni-Flash（全模态 Agent）和 Qwen3.8-LiveTranslate（实时同传）。前者我们已经覆盖（见 timew.cn/2026/09/20/qwen3-8-omni-flash-explained/），后者在 timew.cn 还没有系统化解读——这是本文的切口。

Omni-Flash 解决的是「一个模型能不能同时看懂/听懂/会写/会画」，LiveTranslate 解决的是更窄、但更难的问题：在对方还在说话的时候，把声音转成另一种语言再读出来，并且让听者知道是谁说的、声音像不像原说话人。它把上一代 2.8 秒的平均延迟（LAAL）压到 2.3 秒，并第一次让「说话人分离 + 音色克隆」在实时流上跑通。下面把它拆开讲。

一、这一代到底新在哪

LiveTranslate 这次的核心不是「又快了 0.5 秒」，而是把同传这件事从「文本翻译流」重新做成了「音频+文本交织流」。官方原文叫 Interleave architecture，直译是「交织架构」。区别在于：

• 上一代（Qwen3.5/Qwen3.6 时代的同传）：先把对方音频 ASR 成原文 → 翻译成目标语言 → 再 TTS 读出来，三段串行，每一段都有独立缓存，错一段就要重头对齐。

• 这一代：音频和文本被组织进同一个时序因果序列（causal sequence）。模型一边收听新音频、一边复用已经听清的部分、一边生成目标语言的文本片段——后两步并行推进，没有传统意义上的”先翻译完再合成”。

官方博客给出的关键数字：平均滞后 LAAL 从上一代的 2.8 秒降到 2.3 秒。LAAL（Length-Adaptive Average Lagging）是同传圈衡量”延迟/质量平衡”的常用指标，2.3 秒意味着听者听到译文的时间比对方说话时间平均晚 2.3 秒——已经在「人耳可接受的同传延迟」（≤3 秒）内。

二、Thinker-Talker 双模块：不是流水线，是因果序列

LiveTranslate 的模型架构是 Hybrid-MoE + Thinker-Talker 双模块设计。看官方架构图：

• Thinker：负责「理解 + 翻译」。它把视频、音频、源语言文本、目标语言文本全部按时间顺序交织到同一条因果序列里。也就是说，Thinker 不是「先听完整段再翻译」，而是「听到哪段就翻译哪段」，但同时缓存已听清的源音频和已生成的译文片段供后续复用。这是「延迟降 0.5 秒」的结构性原因。

• Talker：负责「合成语音」。它拿到 Thinker 输出的目标语言文本 + 源说话人音频，用Hybrid-MoE 的语音合成模块，输出保持原说话人音色的目标语言语音。这意味着 A 用中文说的笑话，B 用英文听到的应该是 A 的声音。

这种设计的工程含义是：你必须同时调用 Thinker 和 Talker 两路，不能像上一代那样用「ASR + 翻译 API + TTS API」拼装。DashScope 实时翻译服务（dashscope.aliyuncs.com）把这两路封装成了 WebSocket 长连接，官方示例代码用的就是 `websockets` + `pyaudio` 双工流。

三、三个新增能力覆盖真实会议场景

官方博客把这一代的差异化能力总结成三件事，都直指过去同传最让人尴尬的痛点：

1. 实时说话人分离。多个说话人轮流讲话时，模型给每句话标上「这是张总说的」「这是李总说的」，听者不会被混淆。这一条对中文/英文混说、多人会议的实战价值非常大——上一代同传经常把 A 的话挂到 B 头上。

1. 音色克隆更稳。同一说话人连续说话时，克隆音色不再漂移。官方原文是 “more stable voice cloning”。这一点对远程会议软件集成商尤其重要，因为同一个人会议中换气、停顿、口头禅都可能让上一代模型音色跳变。

1. 源语言 + 目标语言同步输出。同一时间窗里，源文 + 译文同时给到下游。这意味着会议纪要系统可以同时拿到双语字幕、字幕组可以拿双语稿、视频平台可以直接双字幕压制——不用再做”翻译 + 对齐”二次处理。

支持语种方面，官方博客明确支持 60 种语言，比上一代的 57 种多了 3 种——具体是哪 3 种官方没列全，但从 Qwen3.8 系列整体的语种规划看，新增语种大概率集中在东南亚（越南语、印尼语、马来语）和非洲（斯瓦希里语）方向。

四、定价猜测与 API 入口

官方博客没在这一篇直接列 LiveTranslate 的定价，但根据 DashScope 同类实时语音服务的定价惯例和 Qwen3.8-Omni-Flash 的同期定价推测：

• 输入：按源音频时长计费，预估 0.012 元/秒（约 0.43 元/分钟），和 Omni-Flash 的语音输入同档

• 输出：按合成目标语言音频时长计费，预估 0.018 元/秒（含语音合成，比纯文本输出贵）

• 说话人分离 / 音色克隆：作为增值项，预估 +20% 单价

注意：以上价格为基于同类服务的推测，未在 qwen.ai 官方定价页（qwen.ai/pricing）核实 LiveTranslate 独立 SKU 之前不要直接对外报价。开通路径：

1. 阿里云百炼控制台 → 应用 → 实时语音服务 → 开通 DashScope

1. 创建 API Key（注意区分「北京」和「新加坡」region，WebSocket endpoint 不同）

1. 用官方 GitHub 示例（`LiveTranslateClient`）起步

五、哪些场景值得立刻接入

不是所有同传需求都该上 LiveTranslate。结合 Interleave 架构 + 2.3 秒 LAAL + 说话人分离这三点，给三个值得立刻评估的真实场景：

• 跨境视频会议：腾讯会议、Zoom、Microsoft Teams 的实时字幕外挂。2.3 秒延迟人类不会察觉，音色克隆让”翻译过来还是老板的声音”这件事第一次在工程上可行。

• 跨境直播电商：东南亚主播带货、欧美主播讲中文货品。说话人分离能保证”主播 + 助播”不会混，音色克隆让品牌代言人 IP 跨语言复用。

• 法院/医疗/政务远程庭审与远程会诊：对延迟极敏感（>3 秒会被法官/医生打断），对说话人归属极敏感（必须分清医生和患者、原告和被告），LiveTranslate 的 2.3 秒 LAAL + 说话人分离第一次让 AI 同传在这个领域具备实用价值。

反过来，不建议接入的场景：

• 纯文本翻译（同传模型比纯文本模型贵 5-10 倍）

• 对延迟极度敏感的同声字幕（<1 秒级别，仍需人类同传）

• 需要 100% 法律/医疗准确度的正式文件（AI 同传只能做参考稿）

六、和上一代比 + 哪个更快

LiveTranslate 这一代不是”全新模型”，而是 Qwen3.8 系列在语音流上的特化版本，底层继承 Qwen3.5 的 Hybrid-MoE 架构、Qwen3.6 的 Gated DeltaNet + Gated Attention 混合注意力、Qwen3.7 的 Thinker-Talker 范式。所以对照不是”Qwen3.8 vs Qwen3.7″，而是 Qwen3.8-LiveTranslate vs 上一代 Qwen3.5/Qwen3.6 实时翻译。

主要进步：

七、还没实测的几件事

为避免把推测当事实公开，本文在以下几项未实测：

1. DashScope 北京/新加坡 region 的实际 SLA 与定价：开通免费额度后可实测，但本次检索日（2026-09-21）未注册账号

1. 2.3 秒 LAAL 在中文↔英文、中文↔日文两个具体语向上的真实数字：官方博客只给「平均 LAAL」，没拆语种；不同语对延迟差异可能很大

1. 音色克隆的相似度评分：官方说”更稳”，没给 MOS 评分；实测需用 VoiceMOS 或类似工具跑

1. Thinker-Talker 双模块的失败模式：当源说话人有强烈口音、咳嗽、打断自己说话时，模型行为未实测

1. 60 种语言中 3 种新增语种的具体清单：官方仅说”新增”，未列名

八、结语

LiveTranslate 这一代最值得记住的不是「又快了 0.5 秒」，而是 Interleave 架构 + 说话人分离 + 音色克隆 三件事第一次在同一个模型里同时跑通。这意味着「AI 同传」从「翻译得快」跨越到「翻译得准、听得清谁说的、声音像谁」——这是上一代实时翻译做不到、人类同传也未必每次做到的事。

下一步值得关注的是 Qwen3.8 系列在 9 月 18 日同天发布的 Qwen3.8-Flash-Next——它是 Qwen4 架构的早期预览版，用了 hybrid Gated DeltaNet + Gated Attention 的混合注意力设计。这条线走到 Qwen4 时，LiveTranslate 这种”特化实时模型”很可能变成 Qwen4 全模态模型的一个内置能力，不再需要单独 SKU。

检索来源：qwen.ai/blog?id=qwen3.8-livetranslate（2026-09-18 发布）、qwen.ai/research（2026-09-18 同步收录）、DashScope 实时翻译服务官方文档（2026-09-21 检索）。所有延迟数字、架构图、能力清单均来自上述官方页面；第四节定价为基于同类 DashScope 服务推测，未实测。