千問がQwen3.8-LiveTranslateを発表：同声翻訳の遅延が2.3秒に低下し、あなたの声質を保持できます

新世代同時通訳大規模モデル Qwen3.8-LiveTranslate は、翻訳品質、遅延、話者識別および音声合成の4つの次元で全面的なアップグレードが行われました。

このモデルは、音声とテキストを交互に処理する Interleave モデルを採用しており、ストリーム理解、テキスト出力および音声生成を1本の因果シーケンスに統合しています。単語あたりの遅延は前世代の2.8秒から2.3秒に圧縮されました。

今回のアップグレードの主な目玉となる3つの新機能は、リアルタイムでの話者分離により、複数人の人が交代して発言する際のそれぞれの文の所属が明確になり、翻訳された音声でも元の話者の声色を安定して保持することができます。また、元の文章と翻訳文を同じフレームで同時に表示することで、即時の理解と元の文章の照合を両方とも実現します。さらに、長文の文脈を解消する機能では、複数の会話ラウンドを通じて過去の文脈を関連付け、専門用語や指示詞による翻訳の曖昧さを減らします。

モデルは Hybrid MoE の Thinker–Talker 二つのモジュール設計を採用しており、Thinker は理解と翻訳を担当し、Talker は元の声色を保持した翻訳音声を生成します。14の言語方向をカバーする多話者長音声評価データセット Omnilingua-MSpeaker 上で、このモデルは翻訳の忠実性、流暢さ、簡潔さおよび話者分離の誤り率において、現在の主流のリアルタイム同時通訳システムよりも優れています。