アリババ、同時通訳AIの遅延短縮

Qwenは、次世代のリアルタイム同時通訳モデルであるQwen3.8-LiveTranslateをリリースしました。これは、ライブスピーチ（オプションでビデオフレームも含む）を聞き取り、話者がまだ話している間に翻訳されたテキストと音声を返します。核となる変更点は、新しいInterleaveアーキテクチャです。Qwenは、忠実性、流暢さ、簡潔さにおいて改善を報告しており、平均遅延（LAAL）は2.8秒から2.3秒に短縮されました。このリリースでは、リアルタイムのspeaker diarization、同期されたバイリンガル表示、およびlong-context disambiguationも追加されています。 展開可能か？はい、ホスト型APIとして利用可能です。Alibaba Cloud Model StudioとQwenCloudで、WebSocket経由でqwen3.8-livetranslate-flash-realtimeとしてライブ稼働しています。 何が変わったか 同時通訳はトレードオフです。長く待つほどモデルはより多くの文脈を得られます。早く話すほど聞き手への遅延は少なくなります。Qwen3.8-LiveTranslateは、このループをInterleaveアーキテクチャで再構築します。ここでの遅延指標はLAAL、つまりLength-Adaptive Average Laggingです。これは、翻訳が平均して元のスピーチからどれだけ遅れているかを測定します。また、過剰な出力を生成するシステムを評価しないようにしています。2.8秒から2.3秒への短縮は、平均遅延の約18%削減に相当します。 QwenCloudチームは、このモデルをQwen3.8-LiveTranslate-Flashのリアルタイム版と説明しています。これは、Qwen-Omniスタック、大規模なマルチモーダルデータ、クロス言語およびクロスモーダルアライメント、視覚的強化に基づいて構築されています。Flashモデルはオフラインの音声およびビデオ翻訳もサポートしています。 3つの新機能 リアルタイムspeaker diarization：このモデルは、複数人での会話において話者を区別します。また、より安定したvoice cloningを通じて、各話者の声を保持します。APIはcloning modesを公開しており、複数話者のセッション向けに各応答の前に再cloningするalways modeも含まれます。 同期されたバイリンガル表示：原文テキストと翻訳が画面に同時に表示されます。APIでは、原文の書き起こしが翻訳ストリームの隣に独自のイベントとしてストリームされます。 Long-context disambiguat