干掉同声传译？阿里又推出一模型，精通18种语言，离线可用

ycp123

智东西（公众号：zhidxcom）
作者 | 王涵
编辑 | 漠影
智东西9月30日消息，刚刚，通义千问推出多语言实时音视频同传模型Qwen3-LiveTranslate-Flash，占据多个中英及多语言语音翻译榜单第一名！
Qwen3-LiveTranslate-Flash实现了覆盖18种语言的离线和实时两种音视频翻译能力，主要有以下5个核心亮点：
1、多语言和方言：支持中文、英文、法语、德语、俄语、意大利语、西班牙语等主要官方语言和普通话、粤语、北京话、吴话、四川话、天津话的方言翻译。

2、视觉增强：首次引入视觉上下文增强技术，Qwen3-LiveTranslate-Flash可以通过识别和利用口型、动作、文字、实体等多模态信息，有效应对嘈杂音频环境以及一词多译词场景下的翻译不准问题。
3、3秒延迟：轻量的混合专家架构与动态采样策略，同传实现最低3秒的延迟。
4、无损同传：该模型采用语义单元预测技术缓解跨语言翻译的调序问题，实现与离线翻译几乎无损的翻译质量。
5、音色自然：该模型使用海量语音数据训练，可以根据原始语音内容自适应调节语气和表现力的拟人音色。
一、超越Gemini-2.5-Flash，同传准确度达94%以上

在公开测试集上，中英及多语言语音翻译榜单中，Qwen3-LiveTranslate-Flash的准确度优于当前主流大模型Gemini-2.5-Flash、GPT-4o-Audio-Preview和Voxtral Small-24B等模型，在除AVG.XX-EN以外的测试中均是第一名。

Qwen3-LiveTranslate-Flash在不同领域和复杂声学环境下的测试成绩也优于Gemini-2.5-Flash等主流大模型。

该模型研发语义单元预测技术来缓解跨语言调序问题，其实时同传可在保持非实时翻译94%以上准确度的同时，显著降低延迟。
视觉增强技术进一步让Qwen3-LiveTranslate-Flash在嘈杂音频、一词多译、专有名词翻译等场景翻译更精准。在实时场景中，视觉信息弥补了语音上下文的缺失，优势更明显。

二、能分清mask和Musk，还有多种不同声色

官方给出了丰富的实例，Qwen3-LiveTranslate-Flash在同传翻译、视觉增强辅助等能力上的表现确实能打，着实为专业翻译工作人员捏了一把汗。
例如将阿里巴巴2023年12月份季度业绩电话会议进行中文同传：
输入音频：
https://oss.zhidx.com/f31009e4395c7deb609debf197a65f7b/68daad00/uploads/2025/09/68dbace08deb2_68dbace08a53d_68dbace08a4ee_%E4%B8%AD%E8%8B%B1%E5%90%8C%E4%BC%A0.mp3
输出效果：
凭借视觉增强辅助语音翻译功能，Qwen3-LiveTranslate-Flash能够识别出来mask（口罩）和Musk（马斯克）的区别：
该模型还可以识别低频专有名词，比如人名：
Qwen3-LiveTranslate-Flash还支持多种语言或方言的不同音色，例如：
1、芊悦，voice参数：Cherry
音色效果：
https://oss.zhidx.com/525060543cfe82f97f67b4028186c137/68daad00/uploads/2025/09/68dbacdf3ba68_68dbacdf38441_68dbacdf3840c_%E8%8A%8A%E6%82%A61.mp3
描述：阳光积极、亲切自然小姐姐。
支持的语种/方言：中文、英语、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语
2、不吃鱼，voice参数：Nofish
音色效果：
https://oss.zhidx.com/f1aa4a9ac56a844e07759883ccfedcb4/68daad00/uploads/2025/09/68dbacdf118a1_68dbacdf0dee0_68dbacdf0dea6_%E4%B8%8D%E5%90%83%E9%B1%BC1.mp3
描述：不会翘舌音的设计师。
支持的语种/方言：中文、英语、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语
3、上海-阿珍，voice参数：Jada
音色效果：
https://oss.zhidx.com/f2a8fc34ae1f8e05143da3b3f18a7295/68daad00/uploads/2025/09/68dbacdf6bbdc_68dbacdf68577_68dbacdf6854c_%E4%B8%8A%E6%B5%B7-%E9%98%BF%E7%8F%8D1.mp3
描述：风风火火的沪上阿姐。
支持的语种/方言：中文（吴语）
4、北京-晓东，voice参数：Dylan
音色效果：
https://oss.zhidx.com/c656142c36e636356d3d45ffff53a8f1/68daad00/uploads/2025/09/68dbacdec7750_68dbacdec35ad_68dbacdec355e_%E5%8C%97%E4%BA%AC-%E6%99%93%E4%B8%9C1.mp3
描述：北京胡同里长大的少年。
支持的语种/方言：中文（北京话）
5、四川-晴儿，voice参数：Sunny
音色效果：
https://oss.zhidx.com/92a224dfc2b4411c099bf760854dbe7e/68daad00/uploads/2025/09/68dbacdfd0fb1_68dbacdfcd890_68dbacdfcd854_%E5%9B%9B%E5%B7%9D-%E6%99%B4%E5%84%BF1.mp3
描述：甜到你心里的川妹子。
支持的语种/方言：中文（四川话）
6、天津-李彼得，voice参数：Peter
音色效果：
https://oss.zhidx.com/1f4e465854e05350ccde9ddb3f05a41e/68daad00/uploads/2025/09/68dbace010fb5_68dbace00829e_68dbace00826a_%E5%A4%A9%E6%B4%A5-%E6%9D%8E%E5%BD%BC%E5%BE%971.mp3
描述：天津相声，专业捧哏。
支持的语种/方言：中文（天津话）
7、粤语-阿清，voice参数：Kiki
音色效果：
https://oss.zhidx.com/e830838613a77c0b3c5d03035d686a19/68daad00/uploads/2025/09/68dbace046bbd_68dbace04354e_68dbace04350f_%E7%B2%A4%E8%AF%AD-%E9%98%BF%E6%B8%851.mp3
描述：甜美的港妹闺蜜。
支持的语种/方言：粤语
8、四川-程川，voice参数：Eric
音色效果：
https://oss.zhidx.com/aee07fc351746e64cc5498d99feceaac/68daad00/uploads/2025/09/68dbacdf97ef6_68dbacdf94087_68dbacdf94056_%E5%9B%9B%E5%B7%9D-%E7%A8%8B%E5%B7%9D1.mp3
描述：一个跳脱市井的四川成都男子。
支持的语种/方言：中文（四川话）
结语：通义千问加速AI音视频翻译落地

Qwen3-LiveTranslate-Flash首次引入视觉上下文增强技术，让音视频AI翻译更上了一个台阶。
通义千问团队称，今后还将持续提升语音翻译的准确性、自然度、情感一致性，拓展更多语种的覆盖范围，增强在各种复杂语音环境下的翻译鲁棒性。
在语音翻译这个应用面推进技术进步的红海赛道，通义千问这次推出新模型，或将大幅降低全球开发者在实时跨语言交流应用上的创新门槛，加速催生从国际会议、跨境直播到无障碍沟通等场景的下一代产品落地。

疯了吧

上次出国旅游就因语言不通抓瞎，这模型要是早出，交流肯定顺畅多了！

walysj

上次出国旅游用翻译软件总翻车 这次看到它能分清mask和Musk还支持方言音色 算是戳中痛点了 3秒延迟比我想象中快多了

oppledr

咋用呢？？？

陪着寂寞看孤单

出国能直接用么

镜花水月

能听懂湖南人讲普通话不？

922b3eb6

怎么用

华语天空

那学英语还有必要

mulunbo

需要下载通义千问吗

gzcom520

翻译和司机都是濒临淘汰的行业