Découvrez Qwen3.8-LiveTranslate : la demi-seconde qui met l’interprétation IA au rythme humain

Qwen3.8-LiveTranslate est sorti le 19 septembre 2026, et toute l'annonce se résume à une soustraction. Le décalage moyen — LAAL, l'écart moyen entre le moment où un mot quitte la bouche d'un locuteur et celui où sa traduction parvient à l'oreille de l'auditeur — passe de 2,8 secondes dans la génération précédente à 2,3 secondes. Les interprètes humains professionnels travaillent avec un décalage oreille-voix d'environ 2 à 3 secondes. Voilà toute l'histoire : non pas qu'une machine soit devenue plus rapide, mais que son délai se situe désormais dans la plage où les auditeurs cessent de remarquer qu'il s'agit d'une machine. Les chiffres de lancement attribuent à la qualité de traduction FLEURS de la génération précédente 83,0 xCOMET-XXL ; celle-ci est annoncée à 85,7. Ces deux chiffres sont ceux du fournisseur, produits sur sa propre configuration d'évaluation, et aucun tiers indépendant ne les a encore reproduits — ce qui est la mise en garde la plus importante de cet article.

Ce qui rend cette annonce digne d’être lue au-delà du titre, c’est le mécanisme. Qwen n’a pas réduit la latence en rendant le module de reconnaissance plus rapide ou le synthétiseur plus léger. Il a supprimé les jointures entre eux.

Ce qui a réellement changé : les coutures ont disparu

L’interprétation simultanée classique est un pipeline en trois étapes, assemblé de la même manière depuis une décennie : la reconnaissance automatique de la parole transcrit le flux, la traduction automatique convertit la transcription, et la synthèse vocale lit le résultat à voix haute. Chaque étape est un modèle distinct avec son propre budget de latence, et chaque passation perd quelque chose — la prosodie dans la première, l’identité du locuteur dans la troisième, et quelques centaines de millisecondes fixes à chaque frontière où un module doit attendre suffisamment de jetons pour être sûr.

Qwen3.8-LiveTranslate remplace cette cascade par ce que le fournisseur appelle une architecture Interleave bâtie sur un socle Hybrid MoE, scindée en deux modules coopérants :

• Thinker — organise la vidéo, l’audio, le texte source et la traduction en une seule séquence causale, entrelacée dans l’ordre chronologique, et produit la compréhension ainsi que la traduction de bout en bout en une seule passe plutôt qu’en trois.

• Talker — prend le texte traduit ainsi que l’audio original et synthétise une parole qui conserve le timbre du locuteur source, de sorte que la voix doublée soit reconnaissable comme celle de la personne qui a parlé.

L’argument architectural est que, parce que la reconnaissance, la traduction et la synthèse partagent un même cadre de modélisation de séquences au lieu de faire passer des messages à travers les frontières entre modules, le système cesse de payer deux fois par énoncé la taxe inter-modules. C’est une explication plausible de l’origine des 0,5 seconde, et c’est aussi exactement le genre d’affirmation qu’il est peu coûteux d’avancer et coûteux de vérifier. Considérez cela comme l’explication du fournisseur, et non comme un résultat établi.

Les trois capacités qui sont véritablement nouvelles

La couverture linguistique n’a pas bougé : 60 langues sources reconnues, 29 disponibles pour la sortie vocale — les mêmes nombres que Qwen3.5-LiveTranslate. Les ajouts intéressants portent tous sur ce qui se passe quand plus d’une personne parle.

• Diarisation des locuteurs en temps réel — chaque phrase est attribuée à un locuteur au fur et à mesure qu'elle est prononcée, et la réplication du timbre vocal est décrite comme plus stable lors des changements de tour de parole. Qwen déclare un taux d'erreur de diarisation de 9,7 % sur son propre ensemble de test long multi-locuteurs, contre 30,6 % pour Seed LiveInterpret 2.0. Ces deux chiffres proviennent de Qwen.

• Source et traduction dans la même image — le modèle émet la transcription originale et le texte traduit sur une même ligne temporelle, ce qui permet de créer une paire de sous-titres bilingues à l'écran sans une seconde passe d'alignement.

• Désambiguïsation à contexte long — le contexte antérieur est reporté afin que les noms, les titres de civilité et les termes du domaine restent cohérents. C’est celle qui compte le plus en pratique : l’échec classique en interprétation simultanée n’est pas un mot erroné, c’est la même personne rendue de trois façons différentes au cours d’une même réunion.

La diarisation est ici l’élément qui fait véritablement la différence. Gemini 3.5 Live Translate, le modèle concurrent de Google de parole à parole en temps réel, a des difficultés documentées avec la gestion des tours de parole — il peut avoir du mal à savoir quand un locuteur s’est réellement arrêté. Qwen revendique la propriété inverse comme une fonctionnalité. Aucune des deux entreprises n’a publié de comparatif direct qui permettrait de trancher.

Lire honnêtement les affirmations du benchmark

Qwen testé sur deux ensembles, et il vaut la peine de les séparer car ils mesurent des choses différentes.

• FLEURS, 70 directions linguistiques — le benchmark audio multilingue public et largement utilisé. Qwen revendique la prééminence sur son prédécesseur ainsi que sur ce qu'il qualifie de principaux systèmes d'interprétation en temps réel actuels, en matière de qualité de traduction, de décalage moyen, de précision de la reconnaissance vocale et de qualité de la synthèse vocale. La comparaison xCOMET-XXL 85,7 contre 83,0 se trouve ici.

• Omnilingua-MSpeaker, 14 directions linguistiques — le propre jeu d'évaluation audio long multi-locuteurs de Qwen. L'entreprise revendique une meilleure fidélité, une meilleure fluidité et une plus grande concision, ainsi qu'un taux d'erreur de diarisation plus faible. Un benchmark conçu par le fournisseur n'est pas dénué de valeur, mais ce n'est pas non plus une preuve : il a été conçu par ceux dont le modèle y est évalué.

Le résumé honnête est que FLEURS est réel et public, donc le 85,7 est au moins vérifiable en principe ; Omnilingua-MSpeaker ne l’est pas, donc la victoire en diarisation reste une affirmation tant que quelqu’un ne l’a pas réexécutée. Aucun tiers n’a publié les chiffres de Qwen3.8-LiveTranslate au moment de la rédaction, et le modèle n’a que quelques heures.

Combien coûte l’API, et un chiffre qui va vous poser problème

Qwen3.8-LiveTranslate est à poids fermés et uniquement disponible via API. Il fonctionne via une API WebSocket Realtime sous l'ID de modèle qwen3.8-livetranslate-flash-realtime, et non via un simple point de terminaison HTTP. La tarification est par million de tokens, et comme les tokens audio sont denses, les tarifs affichés semblent surprenants à côté des modèles texte, jusqu'à ce que l'on se rappelle ce qu'est un token audio :

• Région de Singapour — entrée audio 7,50 $, entrée d’image 0,55 $, sortie de texte 20,00 $, sortie audio 30,00 $ par million de jetons.

• Région de Pékin — 40 ¥ en entrée audio, 3,3 ¥ en entrée image, 100 ¥ en sortie texte, 160 ¥ en sortie audio par million de jetons, ce qui équivaut à environ 5,65 $ / 0,47 $ / 14,13 $ / 22,61 $ aux taux actuels.

• Contexte — 53 248 jetons au total, répartis en 49 152 en entrée maximum et 4 096 en sortie maximum.

• Limites de débit — 10 requêtes par minute et 100 000 jetons par minute, identiques dans les deux régions.

Cette limite de débit est le chiffre à souligner. Dix requêtes par minute, c’est généreux pour une poignée de salles de réunion, mais loin d’être suffisant pour un déploiement en centre de contact ou une diffusion en direct avec des milliers de flux simultanés. Qwen a maintenu le prix de l’interface pratiquement stable par rapport à la génération précédente — les tarifs de Pékin sont inchangés et ceux de Singapour sont légèrement moins chers —, mais un modèle architecturalement prêt à passer à l’échelle est provisionné comme un aperçu. Quiconque prévoit du trafic de production doit interpréter le plafond de 10 RPM comme la contrainte déterminante, et non le prix par token.

L'appeler, ce n'est pas comme appeler un modèle de chat.

L'API Realtime est pilotée par des événements, ce qui représente un modèle mental différent de celui d'un point de terminaison de complétion. Vous ouvrez un socket, recevez session.created, puis envoyez un session.update événement pour configurer la session avant que le moindre flux audio ne circule.

• target_language est obligatoire et doit être défini avant le premier segment audio — il n'existe aucune cible par défaut implicite.

• source_language est facultatif et sa valeur par défaut est la détection automatique.

• output_modalities sélectionne ["text"] pour une transcription seule ou ["text","audio"] pour une parole traduite.

• input_audio_buffer.append transporte des segments PCM encodés en base64 vers le haut ; response.text.delta et response.audio.delta redescendent, avec response.done qui marque la fin d’un tour.

Deux remarques pratiques. Premièrement, un navigateur ne peut pas définir un en-tête Authorization lors d'une poignée de main WebSocket, donc la connexion doit être ouverte côté serveur et l'audio relayé au client via votre propre socket — ce n'est pas quelque chose que l'on câble directement dans un front-end. Deuxièmement, Qwen avertit explicitement que l'ensemble des paramètres et des événements diffère de la génération LiveTranslate précédente, donc tout code écrit pour Qwen3.5-LiveTranslate doit être revérifié plutôt que simplement re-pointé. Un point de terminaison d'essai gratuit est accessible à omni.qwen.ai/live-translate si vous voulez entendre la latence avant d'engager du temps d'ingénierie.

Ce qu'il ne fait délibérément pas

Qwen liste un ensemble de capacités comme indisponibles, et cette liste est éclairante. Pas d'appel de fonctions. Pas de sortie structurée. Pas de recherche web. Pas de continuation de préfixe, de mise en cache du contexte ni d'inférence par lots. Pas de fine-tuning.

C'est un spécialiste, pas un généraliste qui aurait enfilé la casquette d'interprète. Il n'exécutera pas votre boucle d'agent, et ce n'est pas lui qui résumera la réunion. Concevez en conséquence : l'interprète produit une transcription et un flux audio traduit, et tout ce qui se situe en aval — l'extracteur de tâches à faire, l'application du glossaire, l'écriture en retour dans le CRM — relève d'un modèle de texte distinct.

C'est là qu'un routeur justifie sa place. Qwen3.8-LiveTranslate est lui-même disponible via l'API de son éditeur et plusieurs plateformes tierces ; il ne figure pas au catalogue d'OrcaRouter aujourd'hui, et nous ne prétendrons pas le contraire. Ce qu'OrcaRouter propose, c'est la pile technologique qui l'entoure — notamment le fleuron Qwen3.8-Max d'Alibaba, un modèle à mélange d'experts creux de 2,4 billions de paramètres avec un contexte d'un million de tokens, à 2,00 $ par million de tokens en entrée et 6,00 $ par million de tokens en sortie, facturé au prix catalogue du fournisseur, sans aucune marge ajoutée. Le fait de garder l'interprète et les modèles qui consomment sa sortie derrière un seul point de terminaison et une seule clé signifie que le pipeline de transcription n'a pas besoin d'un second contrat lorsque vous changez le résumeur, et le basculement automatique maintient en vie la moitié aval du système lorsqu'un fournisseur vacille — ce qui, à 10 requêtes par minute, est un scénario qu'il vaut mieux anticiper que découvrir.

Que regarder ensuite

Deux choses feraient passer cette version d’une affirmation bien argumentée à un fait établi. La première est une mesure indépendante de la latence : LAAL est une métrique bien définie, et quiconque dispose du point de terminaison d’essai et d’un dispositif de chronométrage peut produire un chiffre que Qwen n’a pas lui-même établi. La seconde est la feuille de route annoncée par Qwen lui-même — se rapprocher du plancher de latence, une mémoire à long terme inter-sessions, et une couverture des langues à longue traîne et des dialectes régionaux. C’est sur ce point de la longue traîne qu’il faut les tenir, car 60 langues sources est un compte respectable qui exclut discrètement la plupart des locuteurs du monde, et l’écart entre une démo qui fonctionne en mandarin et en anglais et une qui fonctionne en yoruba ou en quechua est précisément là où les produits d’interprétation en temps réel ont historiquement stagné.

Pour l’instant, la position raisonnable est que Qwen3.8-LiveTranslate est le premier modèle d’interprétation simultanée dont le chiffre phare est comparé à des interprètes humains plutôt qu’à son propre prédécesseur — et ce cadrage est un test bien plus difficile à réussir que celui qu’il remplace. Il ne l’a pas encore réussi. Il ne s’est pour l’instant que porté volontaire.