阿里云百炼平台推出的 Qwen3.8-LiveTranslate-Flash-Realtime,是一款面向业务开发的多语言实时音视频同传大模型,属于 Qwen3.8-LiveTranslate-Flash 的实时版本,依托 Qwen-Omni 基座打造,主打低延迟同声翻译,支持音频、图片输入,输出文本和语音,能够识别 60 种源语言,支持 29 种语言语音输出,平均延迟降低至 2.3 秒,企业开发者可以通过 WebSocket、WebRTC、AOQ 实时 API 接入,适合会议、直播、跨境视频通话等需要实时字幕和语音翻译的场景,该模型为专用同传模型,不支持大模型常见的联网搜索、函数调用、微调等通用能力。它采用交错式推理架构,搭配多模态对齐、视觉增强技术,加入说话人分离、双语同步输出、长上下文消歧义功能,多人对话场景下可以区分不同发言者,专业名词翻译更稳定,图片输入能力还可以处理图片内文字翻译,适配带画面的音视频场景。
模型基础定位与核心特征
| 项目 | 详情说明 |
|---|---|
| 模型定位 | 高精度、低延迟多语言实时音视频同传专用大模型 |
| 基座 | Qwen-Omni 多模态基座 |
| 输入模态 | 音频、图像 |
| 输出模态 | 文本、音频 |
| 语言能力 | 识别 60 种源语言,29 种语言语音合成输出 |
| 平均延迟 | 约 2.3 秒 |
| 接入方式 | Realtime API,WebSocket、WebRTC、AOQ 协议 |
| 不支持能力 | 函数调用、联网搜索、模型微调、批量推理、上下文缓存 |
核心能力清单
- 实时音视频同声翻译:边输入音频边输出翻译文本与目标语言语音,适用于直播、远程会议实时字幕。
- 说话人实时区分:多人交替发言时自动区分发言人,翻译结果标记发言人,音色克隆更稳定。
- 双语同步输出:原文和译文对齐输出,方便双语字幕展示、回放检索。
- 长上下文消歧义:结合前文内容修正术语、人名,减少翻译歧义,提升专业场景准确度。
- 图片 OCR 翻译:支持图片输入,识别图片内文字并翻译,适配视频画面字幕、文档截图场景。
适用业务场景
- 跨国线上会议:企业跨境视频会议实时字幕、同声传译。
- 跨境直播电商:海外直播实时双语字幕、语音翻译。
- 远程跨境客服:多语种音视频客服实时翻译。
- 在线教育:跨国网课实时翻译字幕。
- 音视频内容实时处理:短视频、直播流画面截图文字翻译。
计费解析(国内百炼平台)
| 计费项 | 单价 | 计费单位 |
|---|---|---|
| 音频输入 | 40 元 | 每百万 tokens |
| 图片输入 | 3.3 元 | 每百万 tokens |
| 文本输出 | 按实际输出 token 计费 | 按平台实时价格 |
| 音频输出 | 按实际输出 token 计费 | 按平台实时价格 |
计费按 token 用量后付费,仅统计模型实际处理的输入、输出 token;实时长连接会话会持续消耗音频输入 token,多人会议、长时间直播场景需要预估 token 消耗,可在百炼控制台查看用量监控。该模型不支持批量离线翻译,长时间离线音视频转译不建议选用这个实时版本。
使用限制与注意事项
- 模型仅面向实时流式推理,不支持批量离线任务。
- 无法做模型微调,行业专业术语如果需要优化,需要业务层提前做术语映射。
- 网络波动会直接增加端到端延迟,推荐低延迟专线网络接入实时 API。
- 图片输入适合截图画面文字翻译,不适合超大分辨率高清图片批量处理。
综合来看,Qwen3.8-LiveTranslate-Flash-Realtime 是专门为实时同传打造的专用模型,优势在低延迟、多语种、多人发言区分,适合需要流式双语字幕和语音翻译的业务;但它不是通用大模型,缺少工具调用、微调能力,选型时要区分实时同传和离线文档翻译需求。
【常见问题】
问题 1:阿里云 Qwen3.8-LiveTranslate-Flash-Realtime 大模型定位是什么,核心作用是什么?
回答 1:阿里云 Qwen3.8-LiveTranslate-Flash-Realtime 是实时音视频同传专用大模型,依托 Qwen-Omni 基座,主打低延迟同声翻译,支持音频和图片输入,可识别 60 种源语言,输出 29 种语言语音,用于会议、直播等场景实时字幕和语音同传。
问题 2:Qwen3.8-LiveTranslate-Flash-Realtime 大模型支持哪些输入输出,是否支持模型微调?
回答 2:Qwen3.8-LiveTranslate-Flash-Realtime 支持音频、图片输入,文本、音频输出;该模型不支持模型微调、函数调用、联网搜索、批量推理等通用大模型能力,属于专用同传模型。
问题 3:Qwen3.8-LiveTranslate-Flash-Realtime 大模型适用哪些业务场景?
回答 3:Qwen3.8-LiveTranslate-Flash-Realtime 适合跨国线上会议、跨境直播电商、跨境音视频客服、跨国网课、直播流截图文字翻译等需要流式实时双语字幕、语音同传的场景。
问题 4:使用 Qwen3.8-LiveTranslate-Flash-Realtime 大模型如何计费,音频输入价格是多少?
回答 4:Qwen3.8-LiveTranslate-Flash-Realtime 按 token 后付费,国内百炼平台音频输入 40 元 / 百万 tokens,图片输入 3.3 元 / 百万 tokens,文本、音频输出按实际产出 token 计费;长连接实时会话会持续消耗音频输入 token。
【参考资料】
[2026-11-16](Qwen-LiveTranslate-Realtime WebSocket 接入文档)阿里云帮助中心
[2026-11-06](qwen3.8-livetranslate-flash-realtime 模型信息)阿里云帮助中心
[2026-09-17](Qwen3.8-Livetranslate-Flash-Realtime 实时音视频同传大模型上线)阿里云产品动态
[2026-09-18](Qwen3.8-LiveTranslate:识别人,传其意)Qwen 官方博客
【免责声明】
本文为阿里云 Qwen3.8-LiveTranslate-Flash-Realtime 大模型产品资讯整理,模型能力、计费单价、API 接入规则以阿里云百炼平台官方文档最新版本为准;实时同传效果受网络、音源质量、口音影响,不保证 100% 翻译准确;本文不构成项目选型、采购建议,正式上线前建议完成业务场景压测与效果验证。
