IT之家 5 月 20 日消息，據通義實驗室消息，通義千問團隊發布了 Qwen3.5-LiveTranslate-Flash 實時語音翻譯模型，該模型在語種覆蓋、延遲控制和音色保留等方面實現顯著突破，旨在解決跨境直播、跨國會議等場景中的實時同傳痛點。

IT之家附官方詳細介紹如下：

跨境直播卡頓、跨國會議延遲、AI 配音「機器感」太重…… 實時同傳一直卡在「延遲、語種、音色」三大痛點。

Qwen3.5-LiveTranslate-Flash 給出了解決方案：支持 60 種語言的音頻輸入和文字輸出，29 種語言的音頻輸出，端到端字均延遲低至 2.8 秒，還能保留說話人的原聲特徵。

核心亮點速覽

Qwen3.5-LiveTranslate

輸入音頻和輸出文本語種從 18 種提升至 60 種，輸出音頻從 10 種提升至 29 種；

語音同傳字均延遲降低至 2.8 秒；

支持實時音色克隆，翻譯後仍保留說話人原聲特徵；

內置熱詞能力，專有名詞和行業術語翻譯更精準。

Qwen3.5-LiveTranslate 能聽懂和翻譯 60 種語言，其中 29 種可以實現語音輸出。輸入音頻和輸出文本語種從 18 個大幅提升至 60 個，輸出音頻語向從 10 個提升至 29 個，覆蓋更多國家與區域的語言互譯組合，滿足跨境會議、直播出海、在線課堂、商務談判等多語同傳需求。

引入全新 Readable Unit（可讀單元）實時翻譯技術，在保證譯文可讀性與語義連貫的前提下，實現更激進的流式輸出。端到端字均延遲降低到 2.8 秒，適用於直播、連麥、發布會等對時延極敏感的場景。

支持 Real-time Voice Cloning（動態跨語言音色克隆）。在同傳過程中自動捕捉並復刻說話人音色特徵，譯文在不同語言間依舊保持「同一個人」的聲音質感與情緒表現力。主播、嘉賓、主持人的身份一致性大幅提升，沉浸感拉滿。

內置動態熱詞（Hotword）引擎，最高支持 1000 個自定義詞條。對人名、地名、品牌、產品型號、行業術語進行優先識別與優先翻譯。支持場景動態配置與實時更新，顯著降低技術發布會、醫療 / 法律 / 金融會議、企業內訓中「術語翻錯、名字聽錯」的風險。

我們將模型放入高頻實戰環境，複雜場景依舊穩定發揮：

跨國會議 & 出境旅遊

多語混說 / 複雜口音：會議室多語種交替發言、帶口音表達，模型精準切分並同步譯。

智能硬件落地：搭配千問 AI 眼鏡在泰國點餐實測，語音交互 + 實時同傳無縫銜接，溝通零障礙。

直播帶貨 & 影視出海

數字與規格精準翻譯：直播連麥中，商品參數、價格、折扣數字翻譯準確率極高，帶貨宣發不斷檔。

古文 / 文化內容同傳：準確理解並翻譯古典文言文，語義連貫且保留文化韻味，字幕與配音同步流暢。

視覺消歧輔助

結合多模態理解能力，在語境模糊時自動引入視覺信息輔助判斷，大幅降低「一詞多義」導致的翻譯歧義。

在公開多語言語音翻譯基準（FLEURS、CoVoST2）上，Qwen3.5-LiveTranslate-Flash 翻譯準確率優於當前主流語音大模型，顯著優於前代 Qwen3-LiveTranslate-Flash，在語言覆蓋和翻譯質量上均實現突破。

憑藉可讀單元流式策略，Qwen3.5-LiveTranslate-Flash 相比 Qwen3-LiveTranslate-Flash 將首字延遲降低 3.45 秒、字均延遲降低 1.88 秒，最終實現端到端字均延遲 2.8 秒，翻譯質量幾乎無損。

相比上一代，Qwen3.5-LiveTranslate-Flash 在覈心參數與功能上實現了全面進階，詳細對比如下：

Qwen3.5-LiveTranslate 是基於 Qwen3.5-Omni Thinker-Talker 架構打造的翻譯大模型。面向同聲傳譯場景，我們採用 chunk-wise 流式輸入機制，引入可讀單元來控制語音合成粒度，在保證同傳體感的同時有效降低時延。此外，藉助動態跨語言音色克隆技術，模型在翻譯時能夠實時識別並模仿說話人的原始音色。

從「能翻譯」到「實時同傳」，Qwen3.5-LiveTranslate-Flash 用更低延遲、更多語種、更自然音色，為跨境協作、內容出海、智能硬件提供新一代語音基礎設施。