跨语言会议中最尴尬的时刻，往往并非翻译错误，而是全员等待译文。发言人话音刚落字幕未出，或多人同时讲话导致声源混淆，是传统实时翻译的痛点。
近日，千问推出实时同声传译模型Qwen3.8-LiveTranslate，重点突破说话人分离、原文译文同步及音画融合实时翻译等核心技术。
同传先要识别“谁在说话”
传统实时翻译遵循“语音识别—机器翻译—语音合成”的线性流程，在单人安静场景下表现尚可，但在会议、访谈等多人重叠发言的复杂场景中，往往难以及时区分声源归属。
Qwen3.8-LiveTranslate 引入实时说话人分离功能。模型不仅识别语义，更能精准区分不同发言者，并将译文与具体声音对应。这一改进虽不如准确率提升直观，却是产品落地真实会议场景的关键：用户不仅需要知道译了什么，更需明确是谁说的。
此外，模型支持原文与译文同步输出。会议字幕可保留双语对照，直播画面无需完全覆盖原始信息。对于需核对人名、数字及专业术语的场景，这种呈现方式显著提升了实用性。
视觉信息参与翻译理解
Qwen3.8-LiveTranslate 处理的不仅是音频。据 QwenCloud 文档显示，qwen3.8-livetranslate-flash-realtime支持音频与图像混合输入。接入视频流时，开发者可将声音与画面帧一并发送，模型利用屏幕文字、字幕、唇形及现场画面辅助理解。
视觉信息往往是决定翻译准确性的关键。例如，演讲者提及缩写时投影屏可能显示全称；主持人报出人名时画面下方可能同步出现字幕；面对同音词歧义，镜头中的产品或设备可帮助模型缩小判断范围。
千问将此技术路径称为Interleave 架构。模型将音频、画面、原文和译文按时间轴交织处理，而非割裂不同模态。其结构采用 Hybrid-MoE 的 Thinker–Talker 双模块设计：Thinker 负责综合理解语音、画面和上下文，Talker 负责生成译文文本或语音。这种设计旨在实现信息持续流入时的动态更新判断，而非整句结束后的滞后处理。
覆盖 60 种语言及定制化能力
官方资料显示，Qwen3.8-LiveTranslate 支持 60 种语言。需注意，其中 29 种支持文本与语音双向输出，其余 31 种主要提供文本输出。这意味着"60 种语言”代表覆盖广度，而非所有语种均具备同等的全功能语音互译能力。
对开发者而言，具体的语言组合比总数更具参考价值。跨境会议需确认目标语种的语音输出能力，字幕制作关注文本覆盖面，在线客服则侧重延迟、术语准确性及多轮对话稳定性。
模型还提供热词配置、说话人识别、声音保持及声音克隆等功能。企业可预设品牌名、车型、药品名及行业缩写，降低专有名词识别错误率。声音克隆虽能保留原说话人音色，但在用于直播、录音及二次分发时，需严格考量授权合规性与提示义务。
低延迟背后的现实变量
千问研究页面数据显示，模型平均滞后指标（LAAL）已从 2.8 秒降至 2.3 秒。虽然低延迟能让译文更接近实时交流，但公开指标并不等同于所有环境下的实际体验。
网络状况、音频质量、背景噪声、语速、多人切换频率及输出方式（文本或语音）均会影响最终响应时间。此外，千问博客公布的多说话人长音频及多语言测试结果显示其优于上一代及部分主流系统，但这属于官方自测数据，尚需独立第三方验证。
落地挑战在于系统工程
从开发者文档看，Qwen3.8-LiveTranslate-Flash-Realtime 主要通过实时 API 接入，支持仅返回文本或文本加音频。这定位使其更像一套可嵌入其他产品的底层能力，而非面向 C 端的独立应用。
会议软件、直播平台、在线课程及跨境客服在接入时，除模型翻译能力外，还需解决一系列工程难题：音频切分频率、多人发言标记、画面帧发送机制、译文同步策略、断网恢复逻辑以及音文切换交互等。
目前千问已开放 WebSocket 接入、音图输入、文音输出及热词、声音克隆等配置。这赋予了开发者更大的组合空间，同时也增加了系统调试的复杂度。
实时同传的真正难点，始终不在于安静环境下的单句翻译，而在于嘈杂、混乱且动态变化的现场。人员走动、语言切换、互相打断、专业名词爆发及网络波动等叠加因素，才是检验模型价值的试金石。
Qwen3.8-LiveTranslate 的技术路线已从单纯的“听译”转向对声音、画面、人物及上下文的综合理解。其能否真正减少会议等待时间，取决于不同语言环境、网络条件及真实业务场景中的长期表现。可以确定的是，实时同传的竞争焦点已从“翻得准不准”延伸至“能否最小化对现场的打断”。