Qwen ha lanzado Qwen3.8-LiveTranslate, su modelo de interpretación simultánea en tiempo real de próxima generación. Escucha voz en vivo, con fotogramas de vídeo opcionales, y devuelve texto y voz traducidos mientras el orador sigue hablando. El cambio principal es una nueva arquitectura Interleave. Qwen informa mejoras en fidelidad, fluidez y concisión, con un retraso promedio (LAAL) que cayó de 2,8 segundos a 2,3 segundos. El lanzamiento también agrega registro de los hablantes en tiempo real, visualización bilingüe sincronizada y desambiguación de contexto prolongado.
¿Implementable? Sí, como API alojada. Está disponible en Alibaba Cloud Model Studio y QwenCloud como qwen3.8-livetranslate-flash-realtime a través de WebSocket.
Lo que cambió bajo el capó
La interpretación simultánea es una compensación. Esperar más le da al modelo más contexto. Hablar antes reduce el retraso para el oyente. Qwen3.8-LiveTranslate reconstruye este bucle con una arquitectura Interleave.
La métrica de latencia aquí es LAAL, o Retraso promedio adaptable a la longitud. Mide en promedio hasta qué punto la traducción está por detrás del discurso original. También evita recompensar a los sistemas que generan una producción excesiva. Una caída de 2,8 segundos a 2,3 segundos es aproximadamente una reducción del 18% en el retraso promedio.
El equipo de QwenCloud describe el modelo como la versión en tiempo real de Qwen3.8-LiveTranslate-Flash. Se basa en la pila Qwen-Omni, datos multimodales a gran escala, alineación entre idiomas y modos, y mejora visual. El modelo Flash también admite traducción de audio y vídeo sin conexión.
Tres nuevas capacidades
Diario de oradores en tiempo real: el modelo distingue a los oradores en discursos multipartidistas. También preserva la voz de cada hablante mediante una clonación de voz más estable. La API expone modos de clonación, incluido un modo siempre que vuelve a clonar antes de cada respuesta para sesiones de varios oradores. Pantalla bilingüe sincronizada: el texto original y la traducción aparecen juntos en la pantalla. En la API, la transcripción de origen se transmite como sus propios eventos junto al flujo de traducción. Desambiguación de contexto largo: el modelo utiliza el historial de conversaciones para resolver nombres y terminología. Un nombre introducido al principio de una reunión permanece constante más adelante en la traducción.
Pruebe el explicador a continuación. Recorre el flujo intercalado, el etiquetado de oradores, la desambiguación del contexto, la cobertura del idioma y el costo de la sesión.