A Alibaba acaba de lançar o Qwen3.8-LiveTranslate, seu modelo de interpretação simultânea em tempo real de nova geração. Ele ouve a fala ao vivo — com quadros de vídeo opcionais — e devolve texto e áudio traduzidos enquanto o interlocutor ainda está falando. O avanço central é uma nova arquitetura chamada Interleave, que segundo a Qwen reduz o atraso médio de interpretação (LAAL, Length-Adaptive Average Lagging) de 2,8 para 2,3 segundos, uma queda de cerca de 18%.
Por que isso importa agora
A interpretação simultânea sempre foi um equilíbrio delicado: esperar mais dá mais contexto ao modelo, mas responder mais cedo reduz o atraso para quem ouve. O Qwen3.8-LiveTranslate redesenha esse ciclo com a arquitetura Interleave, ganhando em fidelidade, fluência e concisão. Para quem participa de reuniões internacionais, eventos multilíngues ou atendimento global, a diferença entre 2,8 e 2,3 segundos é a distância entre uma conversa fluida e uma experiência truncada.
O modelo é descrito pela equipe da QwenCloud como a versão em tempo real do Qwen3.8-LiveTranslate-Flash. Ele é construído sobre a stack Qwen-Omni, com dados multimodais em larga escala, alinhamento entre línguas e modalidades, e aprimoramento visual.
Três novas capacidades
Diarização de falantes em tempo real
O modelo distingue quem está falando em conversas com várias pessoas e preserva a voz de cada um por meio de clonagem de voz mais estável. A API expõe modos de clonagem, incluindo um modo always que re-clona antes de cada resposta em sessões com múltiplos falantes.
Exibição bilíngue sincronizada
O texto de origem e a tradução aparecem juntos na tela. Na API, a transcrição de origem é transmitida como eventos próprios, lado a lado com o fluxo da tradução.
Desambiguação de contexto longo
O modelo usa o histórico da conversa para resolver nomes e terminologia. Um nome apresentado no início de uma reunião permanece consistente ao longo de toda a tradução.
Idiomas, entradas e visão
O modelo compreende 60 idiomas e fala 29 deles, retornando áudio e texto. Os outros 31 retornam apenas texto. A saída de voz cobre chinês, inglês, árabe, alemão, francês, espanhol, japonês, coreano e hindi, entre outros.
As entradas são áudio e imagens opcionais; as saídas, texto e áudio. Pistas visuais como movimentos labiais, gestos e texto na tela ajudam em ambientes ruidosos e com palavras ambíguas. A documentação recomenda enviar no máximo 2 imagens por segundo.
Equipes também podem definir hotwords (até 1.000), que mapeiam termos de origem para traduções fixas — útil para nomes de produtos e jargão corporativo.
API, preços e limites
Desenvolvedores se conectam pela WebSocket Realtime API com o ID de modelo qwen3.8-livetranslate-flash-realtime. O áudio padrão é PCM de 16 kHz na entrada e 24 kHz na saída, com a voz padrão “Tina”. É possível configurar a saída para apenas texto ou texto e áudio. Importante: sempre envie session.finish antes de fechar, ou o segmento final se perde.
Preços por 1 milhão de tokens (Singapura): entrada de áudio US$ 7,50; entrada de imagem US$ 0,55; saída de texto US$ 20; saída de áudio US$ 30. Em Pequim os valores são menores. Entrada de áudio consome 7 tokens por segundo; saída de áudio, 12,5 tokens por segundo. Uma hora de fala de entrada e saída custa cerca de US$ 1,54 em Singapura.
A janela de contexto é de 53.248 tokens (49.152 de entrada e 4.096 de saída). Os limites padrão são 10 requisições e 100.000 tokens por minuto. Chamadas de função, saídas estruturadas, inferência em lote e fine-tuning não são suportados nesta versão.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
