认识 Qwen3.8-LiveTranslate：让 AI 口译跟上人类节奏的半秒

Qwen3.8-LiveTranslate于2026年9月19日发布，而整篇公告归结起来只做了一次减法。平均滞后——LAAL，即一个词从说话者口中说出、到其译文抵达听者耳中的平均时间偏移——从前一代的2.8秒降至2.3秒。专业人类口译员的耳到口间隔大约在2到3秒之间。整个故事就是这样：不是机器变快了，而是它的延迟如今落在了听者不再会察觉到机器的区间之内。发布数据给出的前一代FLEURS翻译质量为83.0 xCOMET-XXL；这一代宣称达到85.7。两个数字都出自厂商，是在厂商自家的评估设置上得出的，尚无任何独立第三方复现——这是本文最重要的一个警示。

让这次发布值得越过标题读下去的是其机制。Qwen 并不是靠更快的识别器或更精简的合成器来削减延迟，而是抹掉了两者之间的接缝。

真正改变的是：接缝消失了

经典的同声传译是一条三阶段流水线，十年来一直以同样的方式组装：自动语音识别转写音频流，机器翻译转换转写文本，文本转语音把结果朗读出来。每个阶段都是独立模型，各有自己的延迟预算；而每一次交接都会丢失一些东西——第一阶段丢的是韵律，第三阶段丢的是说话人身份，并且在每个边界处，模块都必须等待足够多的 token 才能有把握，于是固定要耗掉几百毫秒。

Qwen3.8-LiveTranslate 用厂商所称的 Interleave 架构取代了这种级联结构，该架构基于 Hybrid MoE 主干构建，并拆分为两个协同工作的模块：

• Thinker——将视频、音频、源文本与译文编排成单一因果序列，按时间顺序交错排列，并一次性端到端地完成理解与翻译，而非分三步进行。

• Talker — 将翻译后的文本与原始音频结合，合成出保留源说话人音色的语音，因此配音能让人辨认出正是说话者本人的声音。

该架构主张是：由于识别、翻译和合成共享同一个序列建模框架，而不是跨模块边界传递消息，系统不再为每句话两次支付“模块间税”。这为那 0.5 秒从何而来提供了一种看似合理的解释，而且它也恰恰是那种断言起来很便宜、验证起来却很昂贵的说法。应把它当作供应商的解释，而不是已经确立的结果。

真正全新的三项能力

语言覆盖范围没有变化：可识别 60 种源语言，29 种可用于语音输出——与 Qwen3.5-LiveTranslate 的数量相同。有趣的新增功能全都围绕多人同时说话时会发生什么。

• 实时说话人日志——每句话在说出的同时即被归属到对应说话人，并且据称音色复刻在轮次切换时更为稳定。Qwen 自报在其自有的长时多说话人测试集上说话人日志错误率为 9.7%，而 Seed LiveInterpret 2.0 为 30.6%。这两个数据均来自 Qwen。

• 源语言与译文位于同一帧——模型在同一条时间线上输出原始转录文本和译文，这正是无需第二轮对齐即可实现屏幕上双语字幕配对的原因。

• 长上下文消歧 — 前文语境会持续传递，使姓名、敬称和领域术语保持一致。这一点在实践中最为关键：同声传译的典型失误并非用错某个词，而是同一个人在一场会议中被译成了三种不同的说法。

说话人分离才是这里真正具有差异化的点。Gemini 3.5 Live Translate——谷歌与之竞争的实时语音到语音模型——在话轮转换方面有已知问题：它可能难以判断说话人是否真的已经停止说话。Qwen 则把相反的特性当作一项功能来宣传。两家公司都没有发布过能对此下定论的正面对比。

诚实地解读基准测试声明

Qwen 在两个集合上进行了测试，它们值得分开来看，因为它们衡量的是不同的东西。

• FLEURS，涵盖 70 个语言方向——公开且被广泛使用的多语种音频基准。Qwen 声称，在翻译质量、平均延迟、语音识别准确率和语音合成质量方面，其表现均优于前代产品，以及它所称的当前主流实时同传系统。85.7 对 83.0 的 xCOMET-XXL 对比结果即出自该基准。

• Omnilingua-MSpeaker，14 个语言方向——Qwen 自家的多说话人长音频评测集。该公司声称其忠实度、流畅度和简洁性更佳，且说话人分离错误率更低。厂商自建的基准测试并非毫无价值，但也算不上证据：它是由正在接受评测的模型的开发者所设计的。

诚实的总结是，FLEURS 是真实且公开的，因此 85.7 至少在原则上可核查；Omnilingua-MSpeaker 则不是，所以在有人重新运行之前，说话人分离方面的胜出只是一种说法。截至撰写本文时，尚无第三方公布 Qwen3.8-LiveTranslate 的数值，而且该模型才发布几个小时。

API 的成本是多少，以及一个会让你栽跟头的数字

Qwen3.8-LiveTranslate 采用闭源权重，且仅提供 API。它通过 WebSocket 实时 API 运行，模型 ID 为 qwen3.8-livetranslate-flash-realtime，而并非普通的 HTTP 端点。其定价按每百万 token 计费，而由于音频 token 密度很高，与文本模型相比，标价看起来相当惊人，直到你想起音频 token 到底是什么：

• 新加坡区域 — 音频输入 $7.50，图像输入 $0.55，文本输出 $20.00，音频输出 $30.00 每百万个 token。

• 北京区域 — 每百万 token 音频输入 ¥40、图像输入 ¥3.3、文本输出 ¥100、音频输出 ¥160，按当前汇率约合 $5.65 / $0.47 / $14.13 / $22.61。

• 上下文—— 共 53,248 个 token，其中最大输入为 49,152，最大输出为 4,096。

• 速率限制 — 每分钟 10 个请求、每分钟 100,000 个令牌，两个区域完全相同。

那个速率限制才是值得划重点的数字。每分钟十次请求，对少量会议室来说很宽裕，但对联络中心部署或拥有数千路并发流的直播来说远远不够。Qwen 让接口定价基本与上一代持平——北京的价格未变，新加坡略便宜——但一个在架构上已为规模化做好准备的模型，却像预览版一样被配置资源。任何规划生产流量的人，都应把 10 RPM 上限视为约束性限制，而不是每 token 的价格。

调用它不像调用聊天模型

Realtime API 是事件驱动的，这与 completion 端点的心智模型不同。你打开一个 socket，收到 session.created，然后发送一个 session.update 事件，在任何音频开始传输之前配置会话。

• target_language为必填项，必须在首个音频块之前设置——不存在隐式的默认目标语言。

• source_language是可选的，默认自动检测。

• output_modalities选择 ["text"] 表示仅输出转录文本，或选择 ["text","audio"] 表示输出翻译后的语音。

• input_audio_buffer.append负责向上传输经过 base64 编码的 PCM 数据块；response.text.delta和response.audio.delta则向下返回，其中response.done标志着本轮对话的结束。

两个实际注意事项。首先，浏览器无法在 WebSocket 握手时设置 Authorization 请求头，因此连接必须在服务端打开，并将音频通过你自己的 socket 中继到客户端——这不是能直接接入前端的做法。其次，Qwen 明确警告称，参数和事件集与上一代 LiveTranslate 不同，因此任何针对 Qwen3.5-LiveTranslate 编写的代码都需要重新检查，而不是改个指向就行。如果你想在投入工程时间之前听听延迟，一个免费试用端点正在 omni.qwen.ai/live-translate 运行。

它刻意不做的事

Qwen 将一系列能力列为不可用，而这份清单很能说明问题。没有函数调用。没有结构化输出。没有网络搜索。没有前缀续写、上下文缓存或批量推理。没有微调。

这是一个专才，而不是一个戴着口译员帽子的通才。它不会运行你的智能体循环，也不会是总结会议的那个模型。请据此设计：口译器生成一份转录文本和一条翻译后的音频流，而它下游的一切——行动项提取器、术语表执行器、CRM 回写——都是另一个文本模型的工作。

正是这种分工，才让路由器有了用武之地。Qwen3.8-LiveTranslate 本身可通过厂商自家的 API 以及若干第三方平台获取；它目前并不在 OrcaRouter 的目录中，我们也不会假装它在。OrcaRouter 所承载的，是围绕它的整套技术栈——包括阿里巴巴自家的旗舰模型 Qwen3.8-Max，这是一款 2.4 万亿参数的稀疏混合专家模型，拥有 100 万 token 的上下文窗口，输入每百万 token 收费 2.00 美元、输出每百万 token 收费 6.00 美元，按提供商的标价计费，零加价转嫁。把翻译模型和消费其输出的各个模型放在同一个端点、同一把密钥之后，意味着当你更换摘要模型时，转录流水线无需再签一份合同；而当某家提供商出现波动时，自动故障转移能让系统的下游部分继续运转——在每分钟 10 个请求的情况下，这种场景值得提前规划，而不是等到发生时才发现。

接下来看什么

有两件事能把这次发布从一项论证充分的说法变成既定事实。第一是独立的延迟测量：LAAL 是一个定义明确的指标，任何拥有试用端点和一套秒表装置的人，都能得出一个并非由 Qwen 自己产出的数字。第二是 Qwen 自己公布的路线图——更接近延迟下限、跨会话长期记忆，以及对长尾语言和地区方言的覆盖。长尾这一项才是应该督促他们兑现的，因为 60 种源语言是一个体面的数字，却悄然排除了世界上大多数使用者，而一个能在普通话和英语中奏效的演示，与一个能在约鲁巴语或克丘亚语中奏效的演示之间的差距，正是实时口译产品历来停滞不前的地方。

目前合理的判断是：Qwen3.8-LiveTranslate 是首个同声传译模型，其核心指标对标的是人类口译员，而不是它自己的前代模型——而这种设定所构成的测试，比它所取代的那项测试要难通过得多。它尚未通过这项测试。它只是主动请缨罢了。