Lernen Sie Qwen3.8-LiveTranslate kennen: Die halbe Sekunde, die KI-Dolmetschen auf menschliches Tempo bringt

Qwen3.8-LiveTranslatewurde am 19. September 2026 veröffentlicht, und die gesamte Ankündigung lässt sich auf eine einzige Subtraktion reduzieren. Die durchschnittliche Verzögerung – LAAL, der mittlere Abstand zwischen dem Moment, in dem ein Wort den Mund eines Sprechers verlässt, und dem Moment, in dem seine Übersetzung das Ohr des Zuhörers erreicht – sinkt von 2,8 Sekunden in der vorherigen Generation auf 2,3 Sekunden. Professionelle menschliche Dolmetscher arbeiten mit einer Ohr-zu-Stimme-Spanne von etwa 2 bis 3 Sekunden. Das ist die ganze Geschichte: nicht, dass eine Maschine schneller geworden ist, sondern dass ihre Verzögerung jetzt in dem Bereich liegt, in dem Zuhörer eine Maschine gar nicht mehr bemerken. Die Startzahlen beziffern die FLEURS-Übersetzungsqualität der vorherigen Generation auf 83,0 xCOMET-XXL; für diese hier werden 85,7 beansprucht. Beide Zahlen stammen vom Anbieter, wurden mit dessen eigenem Evaluierungs-Setup erzeugt, und noch hat keine unabhängige Instanz sie reproduziert – was der einzige und wichtigste Vorbehalt in diesem Artikel ist.

Was die Veröffentlichung über die Schlagzeile hinaus lesenswert macht, ist der Mechanismus. Qwen hat die Latenz nicht durch einen schnelleren Erkenner oder einen schlankeren Synthesizer reduziert. Es hat die Nahtstellen zwischen ihnen beseitigt.

Was sich tatsächlich geändert hat: Die Nähte sind verschwunden

Das klassische Simultandolmetschen ist eine dreistufige Pipeline, die seit einem Jahrzehnt auf dieselbe Weise zusammengesetzt wird: Die automatische Spracherkennung transkribiert den Stream, die maschinelle Übersetzung wandelt das Transkript um, und die Sprachsynthese liest das Ergebnis laut vor. Jede Stufe ist ein separates Modell mit eigenem Latenzbudget, und bei jeder Übergabe geht etwas verloren – die Prosodie in der ersten, die Sprecheridentität in der dritten und eine feste Latenz von ein paar hundert Millisekunden an jeder Grenze, an der ein Modul warten muss, bis es genügend Tokens hat, um sicher zu sein.

Qwen3.8-LiveTranslate ersetzt diese Kaskade durch das, was der Anbieter eine Interleave-Architektur nennt, die auf einem Hybrid-MoE-Backbone basiert und in zwei zusammenarbeitende Module aufgeteilt ist:

• Thinker — ordnet Video, Audio, Quelltext und Übersetzung zu einer einzigen kausalen Abfolge, verschachtelt nach der zeitlichen Reihenfolge, und erzeugt Verständnis plus Übersetzung Ende-zu-Ende in einem einzigen Durchgang statt in drei.

• Talker — nimmt den übersetzten Text zusammen mit dem Original-Audio und synthetisiert daraus Sprache, die die Klangfarbe des Ausgangssprechers beibehält, sodass die synchronisierte Stimme erkennbar von der Person stammt, die gesprochen hat.

Die Architekturbehauptung lautet, dass das System die Intermodul-Abgabe nicht mehr zweimal pro Äußerung zahlt, weil Erkennung, Übersetzung und Synthese einen einzigen gemeinsamen Rahmen zur Sequenzmodellierung nutzen, anstatt Nachrichten über Modulgrenzen hinweg weiterzureichen. Das ist eine plausible Erklärung dafür, woher die 0,5 Sekunden kamen, und zugleich genau die Art von Behauptung, die billig zu behaupten und teuer zu überprüfen ist. Behandeln Sie sie als Erklärung des Anbieters, nicht als gesichertes Ergebnis.

Die drei Fähigkeiten, die wirklich neu sind

Die Sprachabdeckung blieb unverändert: 60 erkannte Quellsprachen, 29 für die Sprachausgabe verfügbar – dieselben Zahlen wie bei Qwen3.5-LiveTranslate. Die interessanten Ergänzungen drehen sich alle darum, was passiert, wenn mehr als eine Person spricht.

• Sprechertrennung in Echtzeit – jeder Satz wird beim Sprechen einem Sprecher zugeordnet, und die Nachbildung der Stimmklangfarbe wird als stabiler über Sprecherwechsel hinweg beschrieben. Qwen gibt für den eigenen langen Mehrsprecher-Testsatz eine Diarisierungsfehlerrate von 9,7 % an, gegenüber 30,6 % für Seed LiveInterpret 2.0. Beide Zahlen stammen von Qwen.

• Quelle und Übersetzung im selben Frame — das Modell gibt das Originaltranskript und den übersetzten Text auf einer einzigen Zeitachse aus, was ein zweisprachiges Untertitelpaar auf dem Bildschirm ohne einen zweiten Ausrichtungsschritt ermöglicht.

• Disambiguierung bei langem Kontext — vorheriger Kontext wird mitgeführt, damit Namen, Anreden und Fachbegriffe konsistent bleiben. In der Praxis ist dies der wichtigste Aspekt: Der klassische Fehler beim Simultandolmetschen ist nicht ein falsches Wort, sondern dass dieselbe Person in einer einzigen Besprechung auf drei verschiedene Arten wiedergegeben wird.

Diarisierung ist hier der wirklich differenzierende Punkt. Gemini 3.5 Live Translate, Googles konkurrierendes Echtzeit-Sprach-zu-Sprach-Modell, hat dokumentierte Schwierigkeiten mit dem Sprecherwechsel – es kann Mühe haben zu erkennen, wann ein Sprecher tatsächlich aufgehört hat. Qwen beansprucht die entgegengesetzte Eigenschaft als Feature. Keines der beiden Unternehmen hat einen Direktvergleich veröffentlicht, der das klären würde.

Benchmark-Behauptungen ehrlich lesen

Qwen wurde an zwei Sets getestet, und es lohnt sich, sie zu trennen, weil sie unterschiedliche Dinge messen.

• FLEURS, 70 Sprachrichtungen — der öffentliche, weit verbreitete mehrsprachige Audio-Benchmark. Qwen beansprucht die Führungsrolle sowohl gegenüber seinem Vorgänger als auch gegenüber dem, was es als aktuelle Mainstream-Echtzeit-Dolmetschsysteme bezeichnet, bei Übersetzungsqualität, durchschnittlicher Verzögerung, Spracherkennungsgenauigkeit und Sprachsynthesequalität. Der Vergleich 85,7 vs. 83,0 xCOMET-XXL findet sich hier.

• Omnilingua-MSpeaker, 14 Sprachrichtungen — Qwens eigener Evaluierungsdatensatz für Multi-Speaker-Langaudio. Das Unternehmen behauptet bessere Treue, Flüssigkeit und Prägnanz sowie eine niedrigere Diarisierungsfehlerrate. Ein vom Anbieter erstellter Benchmark ist nicht wertlos, aber auch kein Beweis: Er wurde von den Leuten entworfen, deren Modell darauf bewertet wird.

Die ehrliche Zusammenfassung ist, dass FLEURS real und öffentlich ist, sodass die 85,7 zumindest prinzipiell überprüfbar ist; Omnilingua-MSpeaker hingegen nicht, sodass der Sieg bei der Diarisierung eine Behauptung bleibt, bis jemand ihn erneut überprüft. Zum Zeitpunkt des Verfassens hat keine dritte Partei Zahlen zu Qwen3.8-LiveTranslate veröffentlicht, und das Modell ist erst wenige Stunden alt.

Was die API kostet – und eine Zahl, die Ihnen zum Verhängnis wird

Qwen3.8-LiveTranslate hat geschlossene Gewichte und ist nur über eine API verfügbar. Es läuft über eine WebSocket-Realtime-API unter der Modell-ID qwen3.8-livetranslate-flash-realtime, nicht über einen einfachen HTTP-Endpunkt. Die Preisgestaltung erfolgt pro Million Tokens, und da Audio-Tokens dicht sind, wirken die beworbenen Preise neben Textmodellen verblüffend, bis einem wieder einfällt, was ein Audio-Token ist:

• Region Singapur — Audioeingabe 7,50 $, Bildeingabe 0,55 $, Textausgabe 20,00 $, Audioausgabe 30,00 $ pro Million Token.

• Peking-Region — 40 ¥ Audioeingabe, 3,3 ¥ Bildeingabe, 100 ¥ Textausgabe, 160 ¥ Audioausgabe pro Million Token, was bei aktuellen Kursen ungefähr 5,65 $ / 0,47 $ / 14,13 $ / 22,61 $ entspricht.

• Kontext — insgesamt 53.248 Tokens, aufgeteilt in maximal 49.152 für die Eingabe und maximal 4.096 für die Ausgabe.

• Ratenbegrenzungen — 10 Anfragen pro Minute und 100.000 Tokens pro Minute, in beiden Regionen identisch.

Dieses Rate-Limit ist die Zahl, die man unterstreichen sollte. Zehn Anfragen pro Minute sind großzügig für eine Handvoll Besprechungsräume und bei Weitem nicht genug für einen Contact-Center-Einsatz oder eine Live-Übertragung mit Tausenden gleichzeitigen Streams. Qwen hat die Schnittstelle gegenüber der vorherigen Generation preislich im Wesentlichen unverändert gelassen – die Preise für Peking sind unverändert, und Singapur ist geringfügig günstiger –, doch ein Modell, das architektonisch für Skalierung bereit ist, wird wie eine Preview bereitgestellt. Wer Produktionsverkehr plant, sollte die Obergrenze von 10 RPM als die bindende Einschränkung auffassen, nicht den Preis pro Token.

Es aufzurufen ist nicht dasselbe wie das Aufrufen eines Chat-Modells.

Die Realtime API ist ereignisgesteuert, was ein anderes Denkmodell als ein Completion-Endpunkt ist. Sie öffnen einen Socket, empfangen session.created, dann senden Sie ein session.update-Ereignis, um die Sitzung zu konfigurieren, bevor irgendein Audio fließt.

• target_language ist erforderlich und muss vor dem ersten Audio-Chunk gesetzt werden — es gibt kein implizites Standardziel.

• source_language ist optional und standardmäßig auf automatische Erkennung eingestellt.

• output_modalities wählt ["text"] für reine Transkription oder ["text","audio"] für übersetzte Sprache.

• input_audio_buffer.append überträgt base64-kodierte PCM-Chunks nach oben; response.text.delta und response.audio.delta kommen nach unten zurück, wobei response.done das Ende eines Turns markiert.

Zwei praktische Hinweise. Erstens kann ein Browser bei einem WebSocket-Handshake keinen Authorization-Header setzen, daher muss die Verbindung serverseitig geöffnet und das Audio über Ihren eigenen Socket an den Client weitergeleitet werden — das ist nichts, was man direkt in ein Frontend verdrahtet. Zweitens warnt Qwen ausdrücklich, dass sich der Parameter- und Eventsatz von der vorherigen LiveTranslate-Generation unterscheidet, sodass jeder Code, der gegen Qwen3.5-LiveTranslate geschrieben wurde, erneut überprüft werden muss, statt ihn einfach umzulenken. Ein kostenloser Test-Endpunkt läuft unter omni.qwen.ai/live-translate, wenn Sie die Verzögerung hören möchten, bevor Sie Entwicklungszeit investieren.

Was es bewusst nicht tut

Qwen listet eine Reihe von Fähigkeiten als nicht verfügbar auf, und die Liste ist aufschlussreich. Keine Funktionsaufrufe. Keine strukturierte Ausgabe. Keine Websuche. Keine Präfixfortsetzung, kein Context-Caching und keine Batch-Inferenz. Kein Fine-Tuning.

Dies ist ein Spezialist, kein Generalist, der den Hut eines Dolmetschers trägt. Er wird nicht Ihren Agent-Loop ausführen und nicht das Modell sein, das die Besprechung zusammenfasst. Konzipieren Sie entsprechend: Der Dolmetscher erzeugt ein Transkript und einen übersetzten Audiostream, und alles, was danach kommt – der Action-Item-Extraktor, der Glossar-Enforcer, die CRM-Rückschreibung –, ist Aufgabe eines separaten Textmodells.

Genau an dieser Trennung zeigt sich, wofür ein Router da ist. Qwen3.8-LiveTranslate selbst ist über die eigene API des Anbieters und mehrere Drittanbieter-Plattformen verfügbar; im Katalog von OrcaRouter steht es heute nicht, und wir werden nichts anderes behaupten. Was OrcaRouter jedoch führt, ist der umgebende Stack – darunter Alibabas eigenes Flaggschiff Qwen3.8-Max, ein Sparse-Mixture-of-Experts-Modell mit 2,4 Billionen Parametern und einem Kontext von 1 Mio. Token zu 2,00 $ pro Million Input- und 6,00 $ pro Million Output-Token, abgerechnet zum Listenpreis des Anbieters, ohne dass ein Aufschlag weitergegeben wird. Interpreter und die Modelle, die seine Ausgabe verarbeiten, hinter einem einzigen Endpunkt und einem einzigen Schlüssel zu bündeln, bedeutet, dass die Transkript-Pipeline keinen zweiten Vertrag braucht, wenn man den Summarizer austauscht, und automatisches Failover hält die nachgelagerte Hälfte des Systems am Leben, wenn ein einzelner Anbieter ins Wanken gerät – was bei 10 Anfragen pro Minute ein Szenario ist, für das man planen sollte, statt es zu entdecken.

Was als Nächstes ansehen

Zwei Dinge würden aus dieser Veröffentlichung eine gut begründete Behauptung in eine gesicherte Tatsache verwandeln. Das erste ist eine unabhängige Latenzmessung: LAAL ist eine wohldefinierte Metrik, und jeder, der über den Test-Endpunkt und eine Stoppuhr-Vorrichtung verfügt, kann eine Zahl erzeugen, die nicht von Qwen stammt. Das zweite ist Qwens eigene angekündigte Roadmap – sich weiter der Latenzuntergrenze anzunähern, sitzungsübergreifendes Langzeitgedächtnis sowie Abdeckung von Long-Tail-Sprachen und regionalen Dialekten. Der Long-Tail-Punkt ist der, an dem man sie beim Wort nehmen sollte, denn 60 Ausgangssprachen sind eine respektable Zahl, die still und leise die meisten Sprecher der Welt ausschließt, und die Lücke zwischen einer Demo, die auf Mandarin und Englisch funktioniert, und einer, die auf Yoruba oder Quechua funktioniert, ist der Punkt, an dem Echtzeit-Dolmetschprodukte historisch ins Stocken geraten sind.

Vorerst ist die vernünftige Position, dass Qwen3.8-LiveTranslate das erste Simultandolmetschmodell ist, dessen zentrale Kennzahl an menschlichen Dolmetschern statt an seinem eigenen Vorgänger ausgerichtet wird – und diese Rahmung ist ein weitaus schwierigerer Test als der, den sie ersetzt. Es hat ihn noch nicht bestanden. Es hat sich nur freiwillig dafür gemeldet.