Qwen3.8-LiveTranslate vs. Gemini 3.5 Live Translate: Der eine liefert eine Zahl, der andere eine Karte

Die beiden führenden Echtzeit-Sprachübersetzungsmodelle sind sich uneinig darüber, woran sie gemessen werden wollen, und diese Uneinigkeit ist nützlicher als jeder Spezifikationsvergleich. Qwen3.8-LiveTranslate, veröffentlicht am 19. September 2026, führt mit einer einzigen harten Zahl an: durchschnittliche Verzögerung von 2,3 Sekunden, gegenüber 2,8 in der vorherigen Generation. Gemini 3.5 Live Translate, das Speech-to-Speech-Modell des Anbieters, das im Juni 2026 angekündigt wurde und noch immer eine Preview-Modell-ID trägt, führt mit Reichweite an – über 70 Sprachen, automatische Erkennung, Wechsel mitten im Gespräch und Integration in die Translate- und Meet-Apps des Anbieters. Ein Unternehmen veröffentlichte eine Latenzzahl, an der es sich festhalten lassen muss. Das andere veröffentlichte eine Sprachenanzahl. Wenn Sie zwischen beiden wählen, ist es wichtiger zu verstehen, warum das unterschiedliche Arten von Versprechen sind, als welche Liste länger ist.

Zwei Architekturen, die sich nur über das Ziel einig sind – und über nichts sonst.

Beide Modelle gibt es, um dasselbe Verhalten abzuschaffen: den turn-basierten Übersetzer, der darauf wartet, dass man einen Satz zu Ende spricht, bevor er überhaupt etwas sagt. Diese Pause ist es, die maschinelle Interpretation wie maschinelle Interpretation wirken lässt.

Qwen3.8-LiveTranslate erreicht dies mit einer Interleave-Architektur auf einem Hybrid-MoE-Backbone, aufgeteilt in ein Thinker-Modul, das Audio, Video, Quelltext und Übersetzung in eine einzige kausale Sequenz faltet, und ein Talker-Modul, das die Übersetzung im Timbre des ursprünglichen Sprechers neu synthetisiert. Die Behauptung ist, dass das Zusammenfassen von Erkennung, Übersetzung und Synthese in eine einzige Sequenz die Latenz und den semantischen Verlust beseitigt, die eine dreistufige Pipeline an jeder Modulgrenze zahlt.

Gemini 3.5 Live Translate nimmt dieselbe End-to-End-Position aus der anderen Richtung ein: Es basiert auf Gemini 3 Pro als natives Audio-zu-Audio-Modell und streamt kontinuierlich über die Gemini Live API, statt eine diskrete ASR → MT → TTS-Kaskade auszuführen. In der Praxis hält man einen persistenten bidirektionalen WebSocket, schiebt 100-ms-Audio-Chunks nach oben und zieht übersetzte Audio-Chunks nach unten. Keines der beiden Modelle macht noch das Alte. Beide machen jetzt das Neue. Die Unterschiede liegen alle in den Details zweiter Ordnung.

Der Latenzvergleich ist nicht das Unentschieden, als das er erscheint.

Google beschreibt Gemini 3.5 Live Translate damit, dass es „ein paar Sekunden hinter“ dem Sprecher zurückbleibt. Google hat für das Modell keine LAAL-Zahl und auch keine andere benannte, reproduzierbare Latenzmetrik veröffentlicht. Qwen hat 2,3 Sekunden veröffentlicht und definiert, was das bedeutet.

Diese Asymmetrie wird üblicherweise zu „beide liegen bei etwa zwei bis drei Sekunden“ verflacht. Diese Lesart wird durch nichts gestützt, was eines der beiden Unternehmen gesagt hat. Googles Formulierung ist mit 2 Sekunden vereinbar und mit 4 vereinbar; das Unternehmen hat es einfach abgelehnt, sich festnageln zu lassen. Der Vergleich, der heute tatsächlich angestellt werden kann, ist:

• Veröffentlichte Latenz-Kennzahl — Qwen3.8-LiveTranslate: LAAL 2,3 s, vom Anbieter angegeben. Gemini 3.5 Live Translate: keine veröffentlicht.

• Unabhängige Latenzmessung — weder noch, für keines der beiden Modelle. Kein Drittanbieter hat einen direkten Vergleich veröffentlicht.

Die ehrliche Schlussfolgerung ist, dass Qwen in puncto Latenz eine falsifizierbare Behauptung aufgestellt hat und Google eine vage. Das ist ein Punkt für Qwen in Sachen Transparenz und exakt null Punkte für Qwen bei der Leistung, bis jemand beide misst. Wenn Latenz der entscheidende Faktor für Ihre Bereitstellung ist, stützt der aktuelle Stand der Beweislage keine Kaufentscheidung in die eine oder andere Richtung.

60 Sprachen gegenüber 70-plus ist der falsche Maßstab.

Die Sprachenzahlen werden ständig zitiert, und sie führen in beide Richtungen in die Irre.

Qwen3.8-LiveTranslate erkennt 60 Ausgangssprachen und erzeugt gesprochene Ausgabe in 29 davon. Gemini 3.5 Live Translate unterstützt über 70 Sprachen mit automatischer Erkennung, und in Google Meet erweitert sich das auf über 2.000 Sprachkombinationen, wo die bisherige Obergrenze eine englischbasierte Übersetzung über fünf Sprachen hinweg war.

Lesen Sie die zweite Zahl sorgfältig, bevor Sie sie als dreifachen Gewinn verbuchen. Googles Zahl von über 2.000 zählt geordnete Paare – jede Ausgangssprache kombiniert mit jeder Zielsprache –, was ein legitimes und wirklich nützliches Maß für die Abdeckung ist, aber nicht mit einer Zählung einzelner Sprachen vergleichbar. Und Googles Liste ist zwar breiter, aber stark auf Sprachen mit großen Sprecherzahlen ausgerichtet: Afrikaans, Arabisch, Bengalisch, Niederländisch, Englisch, Französisch, Deutsch, Hindi, Indonesisch, Italienisch, Japanisch, Koreanisch, Malaiisch, Persisch, Polnisch, Portugiesisch, Russisch, Spanisch, Swahili, Tamil, Telugu, Thailändisch, Türkisch, Ukrainisch, Urdu, Vietnamesisch, Zulu. Qwens 29 Sprachen mit gesprochener Ausgabe sind noch enger gefasst, und keine der beiden Anbieterlisten ist eine ernstzunehmende Antwort auf den Long Tail – die regionalen Dialekte und ressourcenarmen Sprachen, bei denen Dolmetsch-Tools historisch am stärksten versagt haben. Beide Unternehmen sagen, dass sie daran arbeiten. Keines von beiden hat es bislang ausgeliefert.

Wo die beiden tatsächlich auseinandergehen: der Raum voller Menschen

Die einzige Stelle, an der die Modelle wirklich unterschiedliche Versprechen machen, ist der Umgang mit mehreren Sprechern, und das ist der Unterschied, der am ehesten über einen echten Einsatz entscheidet.

Qwen3.8-LiveTranslate bietet Echtzeit-Sprecherdiarisierung: Jeder Satz wird einem Sprecher zugeordnet, sobald er eintrifft, und die Stimmreplikation wird als stabil über Sprecherwechsel hinweg beschrieben. Qwen gibt eine Diarisierungsfehlerrate von 9,7 % auf seinem eigenen langen Multi-Sprecher-Testsatz an, gegenüber 30,6 % für Seed LiveInterpret 2.0 – ein Anbietervergleich bei einer vom Anbieter durchgeführten Evaluierung, also behandeln Sie es als eine Behauptung mit einer angehängten Zahl und nicht als Ergebnis. Das Modell gibt außerdem Quelltext und Übersetzung auf derselben Zeitachse aus, was synchronisierte zweisprachige Untertitel ohne einen separaten Alignment-Durchlauf möglich macht.

Gemini 3.5 Live Translate setzt einen entgegengesetzten Schwerpunkt. Seine dokumentierte Stärke ist die Bewahrung der Prosodie – Tonhöhe, Tempo, Intonation und emotionales Register des Sprechers bleiben erhalten, sodass die übersetzte Stimme das Gefühl des Originals vermittelt. Seine dokumentierten Schwächen liegen genau dort, wo Diarisierung helfen würde: inkonsistentes Voice Cloning, das nach langen Pausen abdriften oder beim falschen Geschlecht landen kann, schwacher Sprecherwechsel ohne klares Satzende-Signal, Probleme mit starken Akzenten und mit eng verwandten Sprachpaaren wie Spanisch und Portugiesisch sowie ein unvollkommener Umgang mit Hintergrundgeräuschen. Google begrenzt reine Audiositzungen zudem auf 15 Minuten, sofern sie nicht verlängert werden, und versieht jeden generierten Audiostream mit einem SynthID-Wasserzeichen, das derzeit nicht entfernt werden kann.

• Mehrsprecher-Zuordnung — Qwen: Echtzeit-Diarisierung, angegebene 9,7 % DER. Gemini: dokumentiert schwacher Sprecherwechsel, keine Diarisierungsangabe.

• Stimmtreue — Qwen: Reproduktion des Ausgangstimbres über das Talker-Modul. Gemini: Bewahrung von Prosodie, Tonhöhe und Sprechtempo; dokumentierte Klon-Abweichung.

• Zweisprachige Ausgabe — Qwen: Quelle und Übersetzung werden auf derselben Zeitachse ausgegeben. Gemini: optionale Transkription von Eingabe und Ausgabe, pro Sitzung konfigurierbar.

• Wasserzeichen — Qwen: keine Angabe. Gemini: SynthID bei allen generierten Audiodateien, keine Möglichkeit zur Entfernung.

• Sitzungsdauer — Qwen: nicht angegeben. Gemini: Obergrenze von 15 Minuten für reine Audio-Sitzungen.

• Eingabetypen — Qwen: Audio und Bild. Gemini: nur Audio, keine Texteingabe.

Was jede einzelne tatsächlich im Betrieb kostet

Qwen3.8-LiveTranslate wird pro Million Tokens über die WebSocket-Realtime-API abgerechnet. In der Region Singapur: 7,50 $ Audio-Eingabe, 0,55 $ Bild-Eingabe, 20,00 $ Text-Ausgabe, 30,00 $ Audio-Ausgabe. In Peking: ¥40 / ¥3,3 / ¥100 / ¥160 pro Million – ungefähr 5,65 $ / 0,47 $ / 14,13 $ / 22,61 $. Der Kontextumfang beträgt 53.248 Tokens, und das Ratenlimit liegt in beiden Regionen bei 10 Anfragen pro Minute und 100.000 Tokens pro Minute.

Diese Obergrenze von 10 RPM ist die folgenreichste Zahl in der Preisliste. Die kommerziellen Bedingungen von Gemini 3.5 Live Translate werden nicht auf dieselbe Weise veröffentlicht, was an sich schon ein Signal für die Reife ist: Google vertreibt es über die Live API und AI Studio in einer öffentlichen Vorschau, über Google Meet in einer privaten Vorschau für ausgewählte Workspace-Kunden und über die Translate-App für Android und iOS. Die Preise und Ratenlimits der Vorschau können sich ohne Vorankündigung ändern, und Google hat sich nicht auf ein GA-Datum festgelegt.

Der aktuelle Kostenvergleich liegt also zwischen einem Modell mit veröffentlichtem Preis und einer harten Nebenläufigkeitsobergrenze und einem Modell ohne veröffentlichten Preis und mit nicht spezifizierter Obergrenze. Wenn Sie in diesem Quartal Unit Economics modellieren müssen, lässt sich nur eines davon budgetieren.

Was ein unabhängiger Test zeigen müsste

Alles oben Genannte basiert auf den eigenen Ankündigungen der beiden Anbieter, denn niemand hat diese Modelle gegeneinander laufen lassen. Ein Ergebnis, das diesen Vergleich tatsächlich entscheiden würde, erfordert vier Dinge, und keines davon existiert bisher:

• LAAL wurde bei beiden Modellen auf dieselbe Weise gemessen, mit demselben Audiomaterial, in denselben Sprachpaaren – Qwens 2,3-s-Wert lässt sich mit nichts vergleichen, da Google keine Angabe dazu machen wollte.

• Diarisierungsfehlerrate auf einem gemeinsam genutzten Multi-Speaker-Korpus, nicht auf Qwens eigenem Omnilingua-MSpeaker-Set.

• Stabilität beim Voice-Cloning über lange Sitzungen hinweg – genau hier weist Geminis eigene Dokumentation auf Drift hin, und Qwen erhebt seinen stärksten Anspruch.

• Verhalten an den Nebenläufigkeitsgrenzen — ob Qwens 10 RPM unter realer Meeting-Last standhalten und ob Geminis Preview-Kontingente den Kontakt mit der Produktion überstehen.

Solange es diesen Test nicht gibt, ist die haltbare Position eng: Qwen hat mehr veröffentlicht und Konkreteres versprochen; Google hat eine breitere Sprachabdeckung und eine Distributionspräsenz, mit der kein reines API-Modell mithalten kann.

Welches soll man wählen?

Konzentriere dich auf die Form deines Problems, nicht auf den Punktestand, denn der Punktestand ist noch nicht vertrauenswürdig.

Wenn Ihr Workload mehrere Parteien umfasst und die Zuordnung wichtig ist – Meeting-Transkription, ein Podium, ein Gerichtssaal, alles, bei dem das Wissen darüber, wer einen übersetzten Satz gesagt hat, Teil des Werts ist – Qwen3.8-LiveTranslate ist der einzige der beiden, der diese Fähigkeit beansprucht, und Geminis dokumentierte Schwäche beim Turn-Taking weist in dieselbe Richtung. Wenn Ihr Workload auf breite Sprachabdeckung ausgelegt, kundenorientiert und bereits im Google-Ökosystem angesiedelt ist, sind die über 70 Sprachen von Gemini 3.5 Live Translate und seine Präsenz in der Translate-App und in Meet Vorteile, bei denen kein reiner API-Wettbewerber in puncto Verbreitung mithalten kann.

Wenn Sie ein Produkt entwickeln, anstatt eine Demo zu kaufen, beachten Sie, dass beide eng fokussierte Spezialisten sind. Keines von beiden führt eine Agentenschleife aus, keines fasst zusammen, und Qwen3.8-LiveTranslate unterstützt ausdrücklich keine Funktionsaufrufe, keine strukturierte Ausgabe, kein Kontext-Caching und kein Fine-Tuning. Der Interpreter ist die vordere Stufe Ihrer Pipeline, nicht die gesamte Pipeline. OrcaRouter ist heute nicht die Anlaufstelle, um eines der beiden Übersetzungsmodelle aufzurufen — keines steht in unserem Katalog, und wir sagen das lieber, als etwas anderes anzudeuten. Was wir jedoch bereitstellen, ist die Hälfte des Stacks, die das Transkript verarbeitet: ein Schlüssel für über 200 Modelle zum Listenpreis des Anbieters ohne weitergegebenen Aufschlag, sodass der Summarizer, Glossar-Durchsetzer oder nachgelagerte Agent, der dieses Transkript liest, ausgetauscht oder auf ein Failover umgeschaltet werden kann, ohne einen zweiten Anbietervertrag anzufassen.

Die Unterseite davon

Qwen3.8-LiveTranslate und Gemini 3.5 Live Translate liegen bei den Grundlagen nah genug beieinander, dass das Marketing zum Differenzierungsfaktor geworden ist: Der eine hat einen Latenzwert und eine Preisliste veröffentlicht, der andere eine Sprachkarte und ein Ökosystem. Keiner von beiden hat sich einem unabhängigen Test unterzogen. Die lesenswerte Version dieses Duells ist die, die geschrieben wird, nachdem jemand beide mit demselben Audio getestet hat – und angesichts der Geschwindigkeit, mit der sich diese Kategorie entwickelt, könnte das nicht mehr lange auf sich warten lassen.