Qwen3-LiveTranslate 发布：视、听、说全模态同传大模型

阿里通义Qwen团队宣布推出Qwen3-LiveTranslate-Flash，这是一款基于大语言模型的高精度、高响应、高鲁棒性的多语言实时音视频同传模型。

依托Qwen3-Omni强大的基座能力、海量多模态数据、百万小时音视频数据，Qwen3-LiveTranslate-Flash 实现了覆盖18种语言的离线和实时两种音视频翻译能力。

核心亮点

• 多语言和方言：支持中文、英文、法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语、韩语、印尼语、泰语、越南语、阿拉伯语、印地语、希腊语、土耳其语等主要官方语言和普通话、粤语、北京话、吴话、四川话、天津话的方言翻译。

• 视觉增强：首次引入视觉上下文增强技术，让 Qwen3-LiveTranslate-Flash 不仅“听得懂”，还能“看得懂”，通过识别和利用口型、动作、文字、实体等多模态信息，有效应对嘈杂音频环境以及一词多译词场景下的翻译不准问题。

• 3秒延迟：轻量的混合专家架构与动态采样策略实现最低3秒延迟的同传体验。

• 无损同传：采用语义单元预测技术缓解跨语言翻译的调序问题，实现与离线翻译几乎无损的翻译质量。

• 音色自然：海量语音数据训练，可以根据原始语音内容自适应调节语气和表现力的拟人音色。

模型性能

在公开测试集上中英及多语言语音翻译，Qwen3-LiveTranslate-Flash 的准确度显著优于当前主流大模型 Gemini-2.5-Flash、GPT-4o-Audio-Preview 和 Voxtral Small-24B 等。

Qwen3-LiveTranslate-Flash 在不同领域和复杂声学环境下均展现出持续领先的翻译性能。

Qwen3-LiveTranslate-Flash 在嘈杂音频、一词多译、专有名词翻译等场景翻译更精准。在实时场景中，视觉信息弥补了语音上下文的缺失，优势更明显。