Qwen3-LiveTranslate 发布：视、听、说全模态同传大模型

阿里通义qwen团队近日发布全新力作——qwen3-livetranslate-flash，这是一款基于大语言模型的高性能多语言实时音视频同声传译模型，具备高精度、低延迟与强鲁棒性的核心优势。

依托于Qwen3-Omni强大的基础模型能力，结合海量多模态数据及百万小时级音视频训练资源，Qwen3-LiveTranslate-Flash 成功实现了对18种主流语言的离线与实时双模式音视频翻译支持。

关键特性

• 广泛语言覆盖：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、土耳其语等国际通用语言，并涵盖普通话、粤语、北京话、吴语、四川话、天津话等多种方言翻译。
• 视觉上下文融合：首次引入视觉增强机制，使模型不仅“听清”语音内容，更能“看懂”画面信息。通过识别口型、手势、场景文字及物体等视觉线索，有效提升在噪声干扰和歧义词汇场景下的翻译准确率。
• 极速响应仅3秒：采用轻量化的混合专家架构（MoE）与动态采样策略，实现端到端最低3秒的超低延迟同传体验，接近人类口语交互节奏。
• 高质量无损翻译：运用语义单元预测技术，优化跨语言生成中的语序调整问题，翻译结果贴近原文语义，质量媲美离线翻译系统。
• 自然拟人化语音输出：基于大规模真实语音数据训练，可自适应还原原声语气、情感与表达风格，输出音色逼真、富有表现力。

性能表现

在公开中英及多语种语音翻译测试集上，Qwen3-LiveTranslate-Flash 的整体准确率显著超越当前主流模型，包括 Gemini-2.5-Flash、GPT-4o-Audio-Preview 和 Voxtral Small-24B 等。

无论是在会议、访谈、教育还是影视等多样化应用场景下，Qwen3-LiveTranslate-Flash 均展现出稳定领先的翻译能力，尤其在复杂声学环境和专业领域中表现突出。

面对背景噪音、同音异义词、专有名词识别等挑战性场景，该模型凭借多模态协同理解能力实现更精准翻译。在实时模式下，视觉信息的引入显著弥补了音频断续或模糊带来的上下文缺失问题，优势尤为明显。