千问发布同传大模型，延迟降至2.3秒

同声传译一直被看作语音大模型最难啃的场景之一：既要听得快，又要译得准，还要说得像原文说话人。千问团队最新发布的新一代同声传译大模型 Qwen3.8-LiveTranslate，正是围绕翻译质量、延迟、说话人识别和语音合成这四个维度做了一次全面升级。

最直观的变化发生在延迟上。该模型采用音频-文本交织的 Interleave 架构，把流式理解、文本输出与语音生成整合为单条因果序列，不再让理解、翻译、合成三个环节彼此排队等待，字均延迟因此从上一代的2.8秒压缩到2.3秒。对于同传场景来说，半秒的差距足以明显改变听感的自然度。

三大新增能力是本次升级的核心看点。其一是实时说话人分离，多人交替发言时每句话的归属都清晰可辨，译文语音还能稳定保留原说话人的音色，而不是统一换成一个机械音色。其二是原文译文同帧同出，双语同步显示既照顾即时理解，也方便用户随时核对原文。其三是长上下文消歧，模型通过跨轮关联历史语境，减少专有名词与指代带来的翻译歧义。

在模型结构上，Qwen3.8-LiveTranslate 采用 Hybrid MoE 的 Thinker–Talker 双模块设计：Thinker 负责理解与翻译，Talker 负责合成保留原音色的译文语音。这种分工让理解与发声各司其职，也让音色保留成为一项可稳定复现的能力，而非偶然效果。

评测环节同样值得关注。在覆盖14个语向的多说话人长音频评测集 Omnilingua-MSpeaker 上，该模型在翻译忠实度、流畅度、简洁度以及说话人分离错误率上，均优于当前主流的实时同传系统，说明其提升并非只在单一指标上生效。

落地方面，模型目前已支持60种语言，API 同步上线千问 AI 平台，开发者可以直接调用这套同传能力构建自己的实时翻译应用。团队表示，下一步将聚焦端到端时延的极限压缩、跨会话长期记忆以及更多语种覆盖，这三条路线也基本勾勒出实时同传后续的竞争焦点。