Король ИИ переводчиков в реальном времени — Qwen3.8-LiveTranslate

Qwen3.8-LiveTranslate — модель, которая переводит речь в реальном времени, она сохраняет голос говорящего, разделяет спикеров и показывает оригинал с переводом одновременно. LiveTranslate - здесь

Представьте встречу. Четверо говорят на разных языках, перебивают друг друга, шутят, уточняют. Синхронный переводчик — человек — справляется, но стоит дорого и устаёт через час. Обычная нейросеть — нет. Она либо переводит с задержкой в пять секунд, либо теряет нить, либо выдаёт всё одним монотонным голосом, в котором не разобрать, кто что сказал.

Архитектура называется Interleave — audio-текстовая последовательность, в которой всё перемешано. Не «сначала распознать, потом перевести, потом озвучить». Один поток: видео, звук, исходный текст и перевод укладываются в одну причинно-следственную цепь. Понимание и перевод происходят в одном проходе.

Под капотом — Hybrid MoE и два модуля: Thinker и Talker. Thinker собирает видео, аудио, оригинал и перевод в единую последовательность и выдаёт текст. Talker берёт этот текст и исходный звук — и синтезирует перевод голосом оригинального спикера.

Qwen3.8-LiveTranslate - здесь

Задержка — 2,3 секунды по метрике LAAL (среднее отставание от момента, когда слово произнесено, до момента, когда перевод дошёл до слушателя). У предыдущего поколения было 2,8 секунды. Разница кажется небольшой, но на слух это разница между «переводчик успевает» и «переводчик отстал на полфразы».

60 языков на входе и в тексте, 29 — в озвучке. Понимает больше, чем говорит. Русский входит в оба списка.

Разделение говорящих. В реальном времени модель различает, кто именно произнёс фразу, и подписывает перевод. А заодно стабильнее клонирует тембр каждого спикера — не «один голос на всех», а голос конкретного человека.

Двуязычный экран. Оригинал и перевод выводятся в одном кадре, синхронно. Это не «субтитры сбоку», а полноценная основа для транскриптов, поиска и монтажа.

Длинный контекст. 53K токенов. Модель помнит, что говорилось раньше, и не путает имена и термины. А ещё смотрит видео — не только слушает. Для омонимов и визуального контекста это критично.

2,3 секунды — это оценка, а не гарантия. Официальная цифра получена на бенчмарке. В шумной встрече, где люди перебивают друг друга, задержка может вырасти. Независимых полевых тестов пока мало.

Весов нет. Модель закрытая. Только API через Alibaba Cloud Model Studio. Скачать и запустить локально нельзя.

Только WebSocket. Это не обычный REST-запрос. Нужна постоянная сессия, ключ на бэкенде, регион-specific URL. Для прототипа — ок. Для продакшена — инфраструктурная работа.

Цена складывается из четырёх счётчиков. Аудио на входе — 0,55, текст на выходе — 30. Минута входного аудио — около 0,0225. Для часового созвона с озвучкой это уже ощутимо.

Только модель. В отличие от Qwen3.8-Max, это не «универсальный интеллект». LiveTranslate создана для одной задачи — синхронного перевода. Спросить у неё про политику или попросить написать код не получится.

Qwen3.8-LiveTranslate — не «ещё один переводчик». Это первый шаг к тому, чтобы синхронный перевод перестал быть роскошью. Не потому, что модель «почти как человек». А потому, что она делает то, чего человек в масштабе не может: слушает четверых одновременно, не устаёт и не сбивается на третьем часу.

Qwen3.8-LiveTranslate - здесь