Qwen3.8-LiveTranslate vs. Gemini 3.5 Live Translate: Um entrega um número, o outro entrega um mapa

Os dois principais modelos de tradução de fala em tempo real discordam sobre aquilo em que estão dispostos a ser medidos, e essa discordância é mais útil do que qualquer comparação de especificações. Qwen3.8-LiveTranslate, lançado a 19 de setembro de 2026, lidera com um único número concreto: atraso médio de 2,3 segundos, abaixo dos 2,8 da geração anterior. Gemini 3.5 Live Translate, o modelo de fala para fala do fornecedor anunciado em junho de 2026 e que ainda apresenta um ID de modelo de pré-visualização, lidera pelo alcance — mais de 70 idiomas, deteção automática, mudança a meio da conversa e integração nas aplicações Translate e Meet do fornecedor. Uma empresa publicou um número de latência pelo qual pode ser responsabilizada. A outra publicou uma contagem de idiomas. Se está a escolher entre elas, compreender porque é que estas são tipos diferentes de promessas importa mais do que qual lista é mais longa.

Duas arquiteturas que concordam quanto ao objetivo e em nada mais

Os dois modelos existem para acabar com o mesmo comportamento: o tradutor baseado em turnos que espera você terminar uma frase antes de dizer qualquer coisa. É essa pausa que faz a interpretação automática parecer interpretação automática.

O Qwen3.8-LiveTranslate consegue esse resultado com uma arquitetura Interleave sobre um backbone Hybrid MoE, dividida em um módulo Thinker, que reúne áudio, vídeo, texto de origem e tradução em uma única sequência causal, e um módulo Talker, que ressintetiza a tradução no timbre do falante original. A alegação é que colapsar reconhecimento, tradução e síntese em uma única sequência elimina a latência e a perda semântica que um pipeline de três estágios paga em cada fronteira entre módulos.

O Gemini 3.5 Live Translate adota a mesma posição ponta a ponta partindo da direção oposta: é construído sobre o Gemini 3 Pro como um modelo nativo de áudio para áudio, transmitindo continuamente pela Gemini Live API em vez de executar uma cascata discreta ASR → MT → TTS. Na prática, você mantém um WebSocket bidirecional persistente, envia blocos de áudio de 100 ms para cima e baixa blocos de áudio traduzidos. Nenhum dos modelos faz o que se fazia antes. Ambos agora fazem o que se faz de novo. As diferenças estão todas nos detalhes de segunda ordem.

A comparação de latência não é o empate que parece

O Google descreve o Gemini 3.5 Live Translate como ficando "alguns segundos atrás" do falante. Ele não publicou um valor de LAAL, nem qualquer outra métrica de latência nomeada e reproduzível, para o modelo. A Qwen publicou 2,3 segundos e definiu o que isso significa.

Essa assimetria é rotineiramente reduzida a “ambos ficam em torno de dois a três segundos”. Essa interpretação não é sustentada por nada que qualquer uma das empresas tenha dito. A frase do Google é compatível com 2 segundos e compatível com 4; a empresa simplesmente se recusou a se comprometer. A comparação que pode de fato ser feita hoje é:

• Métrica de latência publicada — Qwen3.8-LiveTranslate: LAAL 2,3 s, reportado pelo fornecedor. Gemini 3.5 Live Translate: nenhuma publicada.

• Medição independente de latência — nenhuma, para nenhum dos dois modelos. Nenhum terceiro publicou uma comparação direta.

A conclusão honesta é que, em latência, a Qwen fez uma afirmação falsificável e o Google fez uma vaga. Isso é um ponto a favor da Qwen na transparência e exatamente zero pontos a favor dela no desempenho até que alguém meça ambos. Se a latência for o fator decisivo para a sua implantação, o estado atual das evidências não sustenta uma decisão de compra em nenhuma direção.

60 idiomas contra mais de 70 é o placar errado.

As contagens de idiomas são citadas constantemente e enganam nas duas direções.

O Qwen3.8-LiveTranslate reconhece 60 idiomas de origem e produz saída falada em 29 deles. O Gemini 3.5 Live Translate oferece suporte a mais de 70 idiomas com detecção automática e, no Google Meet, isso se expande para mais de 2.000 combinações de idiomas, quando o limite anterior era a tradução baseada em inglês em cinco idiomas.

Leia o segundo número com atenção antes de tratá-lo como um ganho triplo. O número de mais de 2.000 do Google conta pares ordenados — cada idioma de origem cruzado com cada idioma de destino —, o que é uma medida legítima e genuinamente útil de cobertura, mas não comparável a uma contagem de um único idioma. E a lista do Google, embora mais ampla, é fortemente ponderada em favor de idiomas com grandes populações de falantes: africâner, árabe, bengali, holandês, inglês, francês, alemão, híndi, indonésio, italiano, japonês, coreano, malaio, persa, polonês, português, russo, espanhol, suaíli, tâmil, telugo, tailandês, turco, ucraniano, urdu, vietnamita, zulu. Os 29 idiomas com saída de fala do Qwen são ainda mais restritos, e a lista de nenhum dos fornecedores é uma resposta séria para a cauda longa — os dialetos regionais e os idiomas de baixos recursos nos quais as ferramentas de interpretação historicamente falharam mais gravemente. Ambas as empresas dizem que estão trabalhando nisso. Nenhuma delas lançou.

Onde os dois realmente divergem: a sala cheia de pessoas

O único ponto em que os modelos fazem promessas genuinamente diferentes é o tratamento de vários falantes, e é a diferença com maior probabilidade de decidir uma implantação real.

O Qwen3.8-LiveTranslate traz diarização de falantes em tempo real: cada frase é atribuída a um falante à medida que chega, e a replicação de voz é descrita como estável ao longo das trocas de turno. O Qwen relata uma taxa de erro de diarização de 9,7% em seu próprio conjunto de testes longo com vários falantes, contra 30,6% do Seed LiveInterpret 2.0 — uma comparação de fornecedor em uma avaliação conduzida pelo próprio fornecedor, então trate isso como uma afirmação com um número anexado, e não como um resultado. O modelo também emite o texto de origem e a tradução na mesma linha do tempo, o que torna possíveis legendas bilíngues sincronizadas sem uma etapa separada de alinhamento.

O Gemini 3.5 Live Translate adota a ênfase oposta. Sua força documentada é a preservação da prosódia — manter o tom, o ritmo, a entonação e o registro emocional do falante, de modo que a voz traduzida carregue a sensação do original. Suas fraquezas documentadas estão exatamente onde a diarização ajudaria: clonagem de voz inconsistente que pode se desviar após longas pausas ou resultar no gênero errado, troca de turnos fraca, sem um sinal claro de fim de frase, dificuldade com sotaques fortes e com pares de idiomas intimamente relacionados, como espanhol e português, e tratamento imperfeito de ruído de fundo. O Google também limita sessões puramente de áudio a 15 minutos, a menos que sejam estendidas, e marca cada fluxo de áudio gerado com uma marca d'água SynthID que atualmente não pode ser removida.

• Atribuição de múltiplos falantes — Qwen: diarização em tempo real, com alegados 9,7% de DER. Gemini: tomada de turnos fraca documentada, sem qualquer alegação de diarização.

• Fidelidade de voz — Qwen: reprodução do timbre de origem por meio do módulo Talker. Gemini: preservação da prosódia, do tom e do ritmo; deriva de clonagem documentada.

• Saída bilíngue — Qwen: origem e tradução emitidas na mesma linha do tempo. Gemini: transcrição opcional de entrada e saída, configurada por sessão.

• Marca d'água — Qwen: nenhum declarado. Gemini: SynthID em todo áudio gerado, sem caminho de remoção.

• Duração da sessão — Qwen: não informado. Gemini: limite de 15 minutos para sessões apenas de áudio.

• Tipos de entrada — Qwen: áudio e imagem. Gemini: apenas áudio, sem entrada de texto.

Quanto custa cada um para realmente rodar

O Qwen3.8-LiveTranslate tem preço por milhão de tokens na API Realtime via WebSocket. Na região de Singapura: US$ 7,50 de entrada de áudio, US$ 0,55 de entrada de imagem, US$ 20,00 de saída de texto, US$ 30,00 de saída de áudio. Em Pequim: ¥ 40 / ¥ 3,3 / ¥ 100 / ¥ 160 por milhão — aproximadamente US$ 5,65 / US$ 0,47 / US$ 14,13 / US$ 22,61. Seu contexto é de 53.248 tokens, e o limite de taxa é de 10 requisições por minuto e 100.000 tokens por minuto em ambas as regiões.

Esse teto de 10 RPM é o número mais determinante da tabela de preços. Os termos comerciais do Gemini 3.5 Live Translate não são publicados da mesma forma, o que já é, por si só, um sinal de maturidade: o Google o está distribuindo por meio da Live API e do AI Studio em prévia pública, do Google Meet em prévia privada para clientes selecionados do Workspace, e do app Translate no Android e no iOS. Os preços de prévia e os limites de taxa de prévia estão sujeitos a alterações sem aviso prévio, e o Google não se comprometeu com uma data de GA.

Então, a comparação de custos agora é entre um modelo com preço publicado e um teto rígido de simultaneidade, e um modelo sem preço publicado e com um teto não especificado. Se você precisa modelar a economia unitária neste trimestre, apenas um deles é orçável.

O que um teste independente teria que mostrar

Tudo acima se baseia nos próprios anúncios dos dois fornecedores, porque ninguém colocou esses modelos um contra o outro. Um resultado que realmente resolvesse esse confronto precisaria de quatro coisas, e nenhuma delas existe ainda:

• LAAL medido da mesma forma nos dois modelos, no mesmo áudio, nos mesmos pares de idiomas — o valor de 2,3 s do Qwen não pode ser comparado a nada que o Google se recusou a informar.

• Taxa de erro de diarização em um corpus multi-falante compartilhado, não no conjunto Omnilingua-MSpeaker da própria Qwen.

• Estabilidade de clonagem de voz ao longo de sessões longas, que é justamente onde a própria documentação do Gemini aponta desvio e o Qwen faz sua afirmação mais forte.

• Comportamento nos limites de concorrência — se os 10 RPM do Qwen se mantêm sob carga real de reuniões e se as cotas de pré-visualização do Gemini sobrevivem ao contato com a produção.

Até que esse teste exista, a posição defensável é estreita: a Qwen publicou mais e prometeu coisas mais específicas; o Google tem cobertura linguística mais ampla e um alcance de distribuição que nenhum modelo exclusivamente de API consegue igualar.

Qual escolher

Concentre-se na forma do seu problema, não no placar, porque o placar ainda não é confiável.

Se a sua carga de trabalho envolve múltiplos participantes e a atribuição é importante — transcrição de reuniões, um painel, um tribunal, qualquer situação em que saber quem disse uma frase traduzida faz parte do valor —, o Qwen3.8-LiveTranslate é o único dos dois que reivindica essa capacidade, e a fraqueza documentada do Gemini na alternância de turnos aponta no mesmo sentido. Se a sua carga de trabalho é de âmbito linguístico amplo, orientada para o consumidor e já está dentro do ecossistema da Google, as mais de 70 línguas do Gemini 3.5 Live Translate e a sua presença na aplicação Translate e no Meet são vantagens que nenhum concorrente apenas com API iguala em distribuição.

Se você está construindo um produto em vez de comprar uma demonstração, note que ambos são especialistas de nicho. Nenhum dos dois executa um loop de agente, nenhum dos dois resume, e o Qwen3.8-LiveTranslate declara explicitamente não oferecer suporte a chamada de função, saída estruturada, cache de contexto nem fine-tuning. O intérprete é a frente do seu pipeline, não o todo. O OrcaRouter não é o lugar para chamar qualquer um dos modelos de tradução hoje — nenhum dos dois está no nosso catálogo, e preferimos dizer isso a insinuar o contrário. O que nós fornecemos é a metade da stack que consome a transcrição: uma única chave para mais de 200 modelos pelo preço de tabela do provedor, sem nenhum markup repassado, para que o resumidor, o aplicador de glossário ou o agente downstream que lê essa transcrição possam ser trocados ou passar por failover sem tocar em um segundo contrato de fornecedor.

O fundo disso

Qwen3.8-LiveTranslate e Gemini 3.5 Live Translate estão suficientemente próximos nos fundamentos que o marketing se tornou o diferenciador: um publicou um número de latência e uma tabela de preços, o outro publicou um mapa de idiomas e um ecossistema. Nenhum dos dois se submeteu a um teste independente. A versão deste confronto que vale a pena ler é a que será escrita depois que alguém executar ambos no mesmo áudio — e, dada a rapidez com que esta categoria avança, isso pode não estar longe.