Scopri Qwen3.8-LiveTranslate: il mezzo secondo che porta l'interpretazione AI al ritmo umano

Qwen3.8-LiveTranslateè stato rilasciato il 19 settembre 2026, e l'intero annuncio si riduce a una sola sottrazione. L'Average lagging — LAAL, lo scarto medio tra il momento in cui una parola esce dalla bocca di chi parla e quello in cui la sua traduzione raggiunge l'orecchio dell'ascoltatore — scende da 2,8 secondi nella generazione precedente a 2,3 secondi. Gli interpreti umani professionisti lavorano con un intervallo orecchio-voce di circa 2-3 secondi. È tutta qui la storia: non che una macchina sia diventata più veloce, ma che il suo ritardo ora si colloca dentro la fascia in cui gli ascoltatori smettono del tutto di accorgersi che c'è una macchina. I dati di lancio attribuiscono alla qualità di traduzione FLEURS della generazione precedente un valore di 83,0 xCOMET-XXL; per questa si dichiara 85,7. Entrambi i numeri sono del fornitore, prodotti sulla configurazione di valutazione dello stesso fornitore, e nessuna parte indipendente li ha ancora riprodotti — il che è la singola avvertenza più importante di questo articolo.

Ciò che rende il rilascio degno di essere letto oltre il titolo è il meccanismo. Qwen non ha ridotto la latenza rendendo più veloce il riconoscitore o più snello il sintetizzatore. Ha eliminato le giunture tra loro.

Cosa è cambiato davvero: le giunture non ci sono più

L'interpretazione simultanea classica è una pipeline a tre stadi che è stata assemblata allo stesso modo per un decennio: il riconoscimento automatico del parlato trascrive il flusso, la traduzione automatica converte la trascrizione, e la sintesi vocale legge il risultato ad alta voce. Ogni stadio è un modello separato con il proprio budget di latenza, e ogni passaggio perde qualcosa — la prosodia nel primo, l'identità del parlante nel terzo, e un ritardo fisso di qualche centinaio di millisecondi a ogni confine in cui un modulo deve aspettare abbastanza token per essere sicuro.

Qwen3.8-LiveTranslate sostituisce quella cascata con quella che il fornitore chiama architettura Interleave, basata su un backbone Hybrid MoE, suddivisa in due moduli cooperanti:

• Thinker — dispone video, audio, testo di origine e traduzione in un'unica sequenza causale, intercalati secondo l'ordine temporale, e produce comprensione e traduzione end-to-end in un'unica passata anziché in tre.

• Talker — prende il testo tradotto insieme all'originale audio e sintetizza un parlato che conserva il timbro del parlante di origine, così la voce doppiata è riconoscibilmente quella della persona che ha parlato.

L'affermazione architetturale è che, poiché riconoscimento, traduzione e sintesi condividono un unico frame di modellazione sequenziale invece di scambiarsi messaggi attraverso i confini tra moduli, il sistema smette di pagare la tassa inter-modulo due volte per ogni enunciato. È una ricostruzione plausibile di da dove provengano i 0,5 secondi, ed è anche esattamente il tipo di affermazione che è economica da fare e costosa da verificare. Considerala come la spiegazione del fornitore, non come un risultato consolidato.

Le tre capacità che sono davvero nuove

La copertura linguistica non è cambiata: 60 lingue di origine riconosciute, 29 disponibili per l'output vocale — gli stessi conteggi di Qwen3.5-LiveTranslate. Le aggiunte interessanti riguardano tutte ciò che succede quando parla più di una persona.

• Diarizzazione del parlante in tempo reale — ogni frase viene attribuita a un parlante mentre viene pronunciata, e la replica del timbro vocale è descritta come più stabile in caso di cambio di turno. Qwen dichiara un tasso di errore di diarizzazione del 9,7% sul proprio set di test lungo multi-parlante, contro il 30,6% di Seed LiveInterpret 2.0. Entrambi i dati provengono da Qwen.

• Originale e traduzione nello stesso fotogramma — il modello emette la trascrizione originale e il testo tradotto su una singola timeline, il che è ciò che rende possibile una coppia di didascalie bilingui sullo schermo senza una seconda passata di allineamento.

• Disambiguazione su contesto lungo — il contesto precedente viene mantenuto in avanti, così che nomi, appellativi e termini di dominio restino coerenti. È questo che conta di più in pratica: il classico fallimento dell'interpretazione simultanea non è una parola sbagliata, ma la stessa persona resa in tre modi diversi in una sola riunione.

La diarizzazione è l'elemento che qui fa davvero la differenza. Gemini 3.5 Live Translate, il modello concorrente di Google per la traduzione vocale in tempo reale da voce a voce, ha difficoltà documentate con l'alternanza dei turni: può avere problemi a capire quando un parlante ha effettivamente smesso di parlare. Qwen rivendica la proprietà opposta come funzionalità. Nessuna delle due aziende ha pubblicato un confronto testa a testa che possa risolvere la questione.

Leggere onestamente le affermazioni sul benchmark

Qwen è stato testato su due set, e vale la pena separarli perché misurano cose diverse.

• FLEURS, 70 direzioni linguistiche — il benchmark audio multilingue pubblico e ampiamente utilizzato. Qwen rivendica la leadership sia sul proprio predecessore sia su quelli che definisce gli attuali sistemi di interpretazione in tempo reale mainstream, quanto a qualità della traduzione, ritardo medio, accuratezza del riconoscimento vocale e qualità della sintesi vocale. Qui si colloca il confronto 85,7 contro 83,0 di xCOMET-XXL.

• Omnilingua-MSpeaker, 14 direzioni linguistiche — set di valutazione per audio lungo multi-parlante di Qwen stesso. L'azienda sostiene una maggiore fedeltà, fluidità e concisione, oltre a un tasso di errore di diarizzazione più basso. Un benchmark costruito dal fornitore non è privo di valore, ma non è nemmeno una prova: è stato progettato dalle stesse persone il cui modello viene valutato su di esso.

Il riassunto onesto è che FLEURS è reale e pubblico, quindi l'85,7 è almeno verificabile in linea di principio; Omnilingua-MSpeaker non lo è, quindi il vantaggio sulla diarizzazione resta un'affermazione finché qualcuno non lo riesegue. Nessuna terza parte ha pubblicato i numeri di Qwen3.8-LiveTranslate al momento della stesura, e il modello ha solo poche ore di vita.

Quanto costa l'API e un numero che ti si ritorcerà contro

Qwen3.8-LiveTranslate è a pesi chiusi e disponibile solo via API. Funziona tramite un'API Realtime WebSocket con l'ID modello qwen3.8-livetranslate-flash-realtime, non tramite un semplice endpoint HTTP. Il prezzo è per milione di token e, poiché i token audio sono densi, le tariffe pubblicizzate sembrano sconcertanti accanto ai modelli di testo, finché non si ricorda cos'è un token audio:

• Regione di Singapore — input audio 7,50 $, input immagini 0,55 $, output di testo 20,00 $, output audio 30,00 $ per milione di token.

• Regione di Pechino — ¥40 input audio, ¥3,3 input immagini, ¥100 output testo, ¥160 output audio per milione di token, che corrispondono all'incirca a $5,65 / $0,47 / $14,13 / $22,61 ai tassi di cambio attuali.

• Contesto — 53.248 token totali, suddivisi in 49.152 input massimo e 4.096 output massimo.

• Limiti di richieste — 10 richieste al minuto e 100.000 token al minuto, identici in entrambe le regioni.

Quel limite di frequenza è il numero da sottolineare. Dieci richieste al minuto sono generose per una manciata di sale riunioni e non sono affatto sufficienti per un deployment in un contact center o per una trasmissione in diretta con migliaia di flussi simultanei. Qwen ha mantenuto il prezzo dell'interfaccia sostanzialmente invariato rispetto alla generazione precedente — le tariffe di Pechino sono invariate e Singapore è marginalmente più economica — ma un modello architetturalmente pronto per la scala viene provisionato come un'anteprima. Chiunque pianifichi traffico di produzione dovrebbe leggere il tetto di 10 RPM come il vincolo determinante, non il prezzo per token.

Chiamarlo non è come chiamare un modello di chat

La Realtime API è basata su eventi, un modello mentale diverso da quello di un endpoint di completamento. Apri un socket, ricevi session.created, poi invii un session.update evento per configurare la sessione prima che venga trasmesso qualsiasi audio.

• target_language è obbligatorio e deve essere impostato prima del primo blocco audio — non esiste alcun target predefinito implicito.

• source_language è opzionale e il valore predefinito è il rilevamento automatico.

• output_modalities seleziona ["text"] per la sola trascrizione oppure ["text","audio"] per il parlato tradotto.

• input_audio_buffer.append trasporta verso l'alto chunk PCM codificati in base64; response.text.delta e response.audio.delta tornano indietro, con response.done che segna la fine di un turno.

Due note pratiche. Primo, un browser non può impostare un header Authorization durante un handshake WebSocket, quindi la connessione deve essere aperta lato server e l'audio inoltrato al client tramite un socket tuo — non è qualcosa che si collega direttamente a un front-end. Secondo, Qwen avverte esplicitamente che l'insieme di parametri ed eventi è diverso rispetto alla generazione precedente di LiveTranslate, quindi qualsiasi codice scritto per Qwen3.5-LiveTranslate va ricontrollato, non semplicemente ripuntato. Un endpoint di prova gratuita è attivo su omni.qwen.ai/live-translate se vuoi sentire il ritardo prima di impegnare tempo di sviluppo.

Ciò che esso deliberatamente non fa

Qwen elenca una serie di capacità come non disponibili, e la lista è chiarificatrice. Nessuna chiamata di funzione. Nessun output strutturato. Nessuna ricerca web. Nessuna continuazione di prefisso, cache del contesto o inferenza in batch. Nessun fine-tuning.

Questo è uno specialista, non un generalista che si mette il cappello dell'interprete. Non eseguirà il tuo agent loop e non sarà il modello che riassume la riunione. Progetta di conseguenza: l'interprete produce una trascrizione e un flusso audio tradotto, e tutto ciò che sta a valle — l'estrattore di azioni, l'applicatore del glossario, la scrittura di ritorno nel CRM — è compito di un modello di testo separato.

È proprio in questa divisione che un router si guadagna il suo posto. Qwen3.8-LiveTranslate è disponibile tramite l'API dello stesso fornitore e diverse piattaforme di terze parti; oggi non è nel catalogo di OrcaRouter, e non faremo finta del contrario. Ciò che OrcaRouter offre è lo stack circostante — incluso il modello di punta Qwen3.8-Max di Alibaba, un modello sparse mixture-of-experts da 2,4 trilioni di parametri con un contesto di 1M token a $2,00 per milione di input e $6,00 per milione di output, fatturati al prezzo di listino del fornitore, senza alcun ricarico applicato. Mantenere l'interprete e i modelli che ne consumano l'output dietro un unico endpoint e un'unica chiave significa che la pipeline di trascrizione non ha bisogno di un secondo contratto quando si sostituisce il componente di riepilogo, e il failover automatico mantiene in vita la metà a valle del sistema quando un singolo fornitore vacilla — il che, a 10 richieste al minuto, è uno scenario da pianificare anziché da scoprire.

Cosa guardare dopo

Due cose trasformerebbero questa release da un'affermazione ben argomentata a un fatto consolidato. La prima è una misurazione indipendente della latenza: LAAL è una metrica ben definita, e chiunque abbia l'endpoint di prova e un cronometro può produrre un numero che Qwen non ha creato. La seconda è la roadmap dichiarata da Qwen stesso — avvicinarsi al limite minimo di latenza, memoria a lungo termine tra sessioni e copertura delle lingue della coda lunga e dei dialetti regionali. L'elemento della coda lunga è quello su cui bisogna chiedere loro conto, perché 60 lingue di partenza è un numero rispettabile che esclude silenziosamente la maggior parte dei parlanti del mondo, e il divario tra una demo che funziona in mandarino e inglese e una che funziona in yoruba o quechua è il punto in cui i prodotti di interpretazione in tempo reale si sono storicamente arenati.

Per ora, la posizione ragionevole è che Qwen3.8-LiveTranslate sia il primo modello di interpretazione simultanea il cui numero di punta è misurato rispetto a interpreti umani anziché al proprio predecessore — e tale impostazione è un test molto più difficile da superare di quello che sostituisce. Non l'ha ancora superato. Si è solo offerto volontario per affrontarlo.