Qwen3.8-LiveTranslate vs Gemini 3.5 Live Translate : l'un livre un nombre, l'autre livre une carte

Les deux principaux modèles de traduction vocale en temps réel ne s'accordent pas sur ce qu'ils acceptent que l'on mesure, et ce désaccord est plus utile que n'importe quelle comparaison de caractéristiques. Qwen3.8-LiveTranslate, publié le 19 septembre 2026, met en avant un seul chiffre incontestable : un décalage moyen de 2,3 secondes, contre 2,8 dans la génération précédente. Gemini 3.5 Live Translate, le modèle parole-à-parole de l'éditeur annoncé en juin 2026 et qui porte encore un identifiant de modèle en version préliminaire, met en avant sa portée — plus de 70 langues, la détection automatique, le changement en cours de conversation et l'intégration aux applications Translate et Meet de l'éditeur. Une entreprise a publié un chiffre de latence sur lequel elle peut être tenue de rendre des comptes. L'autre a publié un nombre de langues. Si vous devez choisir entre les deux, comprendre pourquoi il s'agit de deux types de promesses différentes importe davantage que de savoir quelle liste est la plus longue.

Deux architectures qui s’accordent sur l’objectif et sur rien d’autre

Les deux modèles existent pour éliminer le même comportement : le traducteur en mode tour par tour qui attend que vous ayez fini une phrase avant de dire quoi que ce soit. C’est cette pause qui fait que l’interprétation automatique ressemble à de l’interprétation automatique.

Qwen3.8-LiveTranslate y parvient grâce à une architecture Interleave sur un backbone Hybrid MoE, divisée en un module Thinker qui intègre l’audio, la vidéo, le texte source et la traduction en une seule séquence causale, et un module Talker qui resynthétise la traduction avec le timbre du locuteur d’origine. L’affirmation est que fusionner la reconnaissance, la traduction et la synthèse en une seule séquence élimine la latence et la perte sémantique qu’un pipeline en trois étapes paie à chaque frontière entre modules.

Gemini 3.5 Live Translate adopte la même position de bout en bout, mais dans l'autre sens : il est construit sur Gemini 3 Pro en tant que modèle audio-à-audio natif, diffusant en continu via l'API Gemini Live plutôt que d'exécuter une cascade discrète ASR → MT → TTS. En pratique, vous maintenez un WebSocket bidirectionnel persistant, poussez des blocs audio de 100 ms vers le haut et tirez les blocs audio traduits vers le bas. Aucun des deux modèles ne fait l'ancienne chose. Les deux font désormais la nouvelle. Les différences résident toutes dans les détails de second ordre.

La comparaison de latence n'est pas le match nul qu'elle semble être

Google décrit Gemini 3.5 Live Translate comme restant « quelques secondes en retard » sur le locuteur. Google n’a publié aucun chiffre LAAL, ni aucune autre métrique de latence nommée et reproductible, pour le modèle. Qwen a publié 2,3 secondes et a défini ce que cela signifie.

Cette asymétrie est systématiquement réduite à « les deux se situent autour de deux à trois secondes ». Cette lecture n’est étayée par rien de ce que l’une ou l’autre entreprise a dit. La formulation de Google est compatible avec 2 secondes et compatible avec 4 ; l’entreprise a simplement refusé de se laisser fixer. La comparaison que l’on peut réellement faire aujourd’hui est :

• Métrique de latence publiée — Qwen3.8-LiveTranslate : LAAL 2,3 s, selon le fournisseur. Gemini 3.5 Live Translate : aucune publiée.

• Mesure indépendante de la latence — aucune, pour l'un ou l'autre des modèles. Aucun tiers n'a publié de comparatif direct.

La conclusion honnête est que, en matière de latence, Qwen a avancé une affirmation falsifiable et Google une affirmation vague. C’est un point en faveur de Qwen pour la transparence, et exactement zéro point en sa faveur sur le plan des performances tant que personne n’a mesuré les deux. Si la latence est le facteur décisif pour votre déploiement, l’état actuel des preuves ne permet pas d’étayer une décision d’achat, dans un sens comme dans l’autre.

60 langues contre plus de 70, ce n'est pas le bon tableau de bord.

Les chiffres sur les langues sont cités constamment et ils induisent en erreur dans les deux sens.

Qwen3.8-LiveTranslate reconnaît 60 langues sources et produit une sortie vocale dans 29 d'entre elles. Gemini 3.5 Live Translate prend en charge plus de 70 langues avec détection automatique, et dans Google Meet, cela s'étend à plus de 2 000 combinaisons linguistiques, alors que la limite précédente était la traduction depuis l'anglais vers cinq langues.

Lisez attentivement le deuxième nombre avant de le considérer comme une triple victoire. Le chiffre de plus de 2 000 de Google compte des paires ordonnées — chaque langue source croisée avec chaque langue cible — ce qui est une mesure légitime et véritablement utile de la couverture, mais non comparable à un décompte monolingue. Et la liste de Google, bien que plus large, est fortement pondérée en faveur des langues comptant de grandes populations de locuteurs : afrikaans, arabe, bengali, néerlandais, anglais, français, allemand, hindi, indonésien, italien, japonais, coréen, malais, persan, polonais, portugais, russe, espagnol, swahili, tamoul, télougou, thaï, turc, ukrainien, ourdou, vietnamien, zoulou. Les 29 langues de sortie vocale de Qwen sont encore plus restreintes, et aucune des deux listes de fournisseurs ne constitue une réponse sérieuse à la longue traîne — les dialectes régionaux et les langues à faibles ressources où les outils d'interprétation ont historiquement le plus durement échoué. Les deux entreprises affirment qu'elles y travaillent. Aucune ne l'a livré.

Là où les deux divergent réellement : la salle pleine de gens

Le seul domaine où les modèles font des promesses véritablement différentes est la gestion multi-locuteurs, et c'est la différence la plus susceptible de décider d'un déploiement réel.

Qwen3.8-LiveTranslate intègre une diarisation des locuteurs en temps réel : chaque phrase est attribuée à un locuteur dès son arrivée, et la réplication vocale est décrite comme stable d'un tour de parole à l'autre. Qwen annonce, selon ses propres mesures, un taux d'erreur de diarisation de 9,7 % sur son propre jeu de test long multi-locuteurs, contre 30,6 % pour Seed LiveInterpret 2.0 — une comparaison entre fournisseurs sur une évaluation réalisée par le fournisseur lui-même ; il faut donc y voir une allégation assortie d'un chiffre plutôt qu'un résultat. Le modèle produit également le texte source et la traduction sur la même chronologie, ce qui permet d'obtenir des sous-titres bilingues synchronisés sans passe d'alignement distincte.

Gemini 3.5 Live Translate met l’accent sur l’opposé. Sa force documentée est la préservation de la prosodie — conserver la hauteur, le rythme, l’intonation et le registre émotionnel du locuteur, de sorte que la voix traduite transporte la sensation de l’original. Ses faiblesses documentées correspondent précisément aux cas où la diarisation serait utile : un clonage vocal incohérent qui peut dériver après de longues pauses ou aboutir au mauvais genre, une faible gestion des tours de parole sans signal clair de fin de phrase, des difficultés avec les accents prononcés et avec des paires de langues proches comme l’espagnol et le portugais, et une gestion imparfaite du bruit de fond. Google limite aussi les sessions purement audio à 15 minutes, sauf prolongation, et appose sur chaque flux audio généré un filigrane SynthID qui ne peut actuellement pas être retiré.

• Attribution multi-locuteur — Qwen : diarisation en temps réel, DER revendiqué de 9,7 %. Gemini : alternance de tours de parole documentée comme faible, aucune revendication de diarisation.

• Fidélité vocale — Qwen : reproduction du timbre source via le module Talker. Gemini : préservation de la prosodie, de la hauteur et du rythme ; dérive de clonage documentée.

• Sortie bilingue — Qwen : la source et la traduction sont émises sur la même ligne temporelle. Gemini : transcription facultative de l’entrée et de la sortie, configurée par session.

• Filigrane — Qwen : aucun indiqué. Gemini : SynthID sur tout l'audio généré, aucune possibilité de suppression.

• Durée de la session — Qwen : non précisé. Gemini : limite de 15 minutes pour les sessions audio pures.

• Types d’entrée — Qwen : audio et image. Gemini : audio uniquement, pas d’entrée texte.

Ce que chacun coûte réellement à exploiter

Qwen3.8-LiveTranslate est facturé par million de tokens via l’API WebSocket Realtime. Dans la région de Singapour : 7,50 $ en entrée audio, 0,55 $ en entrée d’image, 20,00 $ en sortie de texte, 30,00 $ en sortie audio. À Pékin : 40 ¥ / 3,3 ¥ / 100 ¥ / 160 ¥ par million — soit environ 5,65 $ / 0,47 $ / 14,13 $ / 22,61 $. Sa fenêtre de contexte est de 53 248 tokens, et la limite de débit est de 10 requêtes par minute et de 100 000 tokens par minute dans les deux régions.

Ce plafond de 10 RPM est le chiffre le plus lourd de conséquences de la grille tarifaire. Les conditions commerciales de Gemini 3.5 Live Translate ne sont pas publiées de la même manière, ce qui est en soi un signal quant à sa maturité : Google le distribue via la Live API et AI Studio en aperçu public, Google Meet en aperçu privé pour certains clients Workspace, et l’application Translate sur Android et iOS. Les tarifs d’aperçu et les limites de débit d’aperçu peuvent être modifiés sans préavis, et Google ne s’est pas engagé sur une date de disponibilité générale.

Ainsi, la comparaison des coûts porte actuellement sur un modèle dont le prix est publié et qui a un plafond de simultanéité strict, d’une part, et sur un modèle sans prix publié et avec un plafond non spécifié, d’autre part. Si vous devez modéliser l’économie unitaire ce trimestre, un seul de ces modèles peut être budgétisé.

Ce qu’un test indépendant devrait montrer

Tout ce qui précède s'appuie sur les annonces des deux fournisseurs eux-mêmes, car personne n'a testé ces modèles l'un contre l'autre. Un résultat qui permettrait réellement de trancher cette confrontation nécessite quatre éléments, et aucun d'entre eux n'existe encore :

• LAAL mesuré de la même manière sur les deux modèles, sur le même audio, dans les mêmes paires de langues — le chiffre de 2,3 s de Qwen ne peut être comparé à quoi que ce soit que Google ait refusé de déclarer.

• Taux d'erreur de diarisation sur un corpus multi-locuteurs partagé, et non sur le propre ensemble Omnilingua-MSpeaker de Qwen.

• Stabilité du clonage vocal au fil de longues sessions, là où la documentation de Gemini elle-même signale une dérive et où Qwen avance sa revendication la plus forte.

• Comportement aux limites de concurrence — si les 10 RPM de Qwen tiennent sous une charge réelle de réunions et si les quotas d’aperçu de Gemini survivent au contact de la production.

Tant que ce test n’existe pas, la position défendable est étroite : Qwen a publié davantage et promis des choses plus précises ; Google dispose d’une couverture linguistique plus large et d’une empreinte de distribution qu’aucun modèle uniquement API ne peut égaler.

Lequel choisir

Attaquez-vous à la forme de votre problème, pas au tableau des scores, car le tableau des scores n’est pas encore fiable.

Si votre charge de travail implique plusieurs participants et que l'attribution compte — transcription de réunion, table ronde, salle d'audience, tout contexte où savoir qui a prononcé une phrase traduite fait partie de la valeur — Qwen3.8-LiveTranslate est le seul des deux à revendiquer cette capacité, et la faiblesse documentée de Gemini en matière de prise de parole va dans le même sens. Si votre charge de travail couvre un large éventail de langues, s'adresse au grand public et s'inscrit déjà dans l'écosystème Google, les plus de 70 langues de Gemini 3.5 Live Translate et sa présence dans l'application Translate et Meet sont des avantages qu'aucun concurrent proposant uniquement une API n'égale en matière de distribution.

Si vous développez un produit plutôt que d'acheter une démo, notez que les deux sont des spécialistes pointus. Aucun des deux n'exécute de boucle d'agent, aucun ne résume, et Qwen3.8-LiveTranslate ne prend explicitement en charge ni l'appel de fonctions, ni la sortie structurée, ni la mise en cache du contexte, ni l'affinage. L'interpréteur est l'avant de votre pipeline, pas l'ensemble de celui-ci. OrcaRouter n'est pas l'endroit où appeler l'un ou l'autre de ces modèles de traduction aujourd'hui — aucun des deux ne figure dans notre catalogue, et nous préférons le dire plutôt que de sous-entendre le contraire. Ce que nous fournissons, c'est la moitié de la pile qui consomme la transcription : une seule clé pour plus de 200 modèles au prix catalogue du fournisseur, sans marge ajoutée, afin que le résumeur, l'outil d'application du glossaire ou l'agent en aval qui lit cette transcription puisse être remplacé ou basculé en secours sans toucher à un second contrat fournisseur.

Le fond de celui-ci

Qwen3.8-LiveTranslate et Gemini 3.5 Live Translate sont assez proches sur les fondamentaux pour que le marketing soit devenu l’élément différenciant : l’un a publié un chiffre de latence et une grille tarifaire, l’autre a publié une carte des langues et un écosystème. Aucun des deux ne s’est soumis à un test indépendant. La version de cette confrontation qui vaut la peine d’être lue est celle qui sera écrite après que quelqu’un les aura fait tourner tous les deux sur le même audio — et vu la vitesse à laquelle cette catégorie évolue, ce n’est peut-être pas si loin.