The Pulse

Qwen riduce a 2,3 secondi il ritardo nella traduzione in tempo reale

Qwen ha rilasciato Qwen3.8-LiveTranslate, un modello di interpretazione in tempo reale che riduce il ritardo medio da 2,8 a 2,3 secondi. Il modello aggiunge la separazione dei parlanti, un output bilingue sincronizzato, la disambiguazione s

AI.info Team · Scritto con l’IA · verificato · 2026-09-19

Qwen ha rilasciato Qwen3.8-LiveTranslate il 18 settembre, presentando un modello di interpretazione in tempo reale che riduce il ritardo medio dai 2,8 secondi della generazione precedente a 2,3 secondi. Secondo l’azienda, il modello migliora la fedeltà, la fluidità e la concisione della traduzione, aggiungendo la separazione dei parlanti e un output sincronizzato del testo originale e della traduzione.

Il rilascio punta alle conversazioni dal vivo, anziché alla normale traduzione a turni. Il sistema è in grado di identificare chi sta parlando, preservare le caratteristiche vocali di ciascun parlante nel parlato tradotto e mostrare insieme la lingua originale e quella tradotta. Il modello supporta l’input audio con output testuale in 60 lingue e l’output audio tradotto in 29.

Qwen presenta il rilascio come Qwen3.8-LiveTranslate, con un modello di servizio in tempo reale indicato come qwen3.8-livetranslate-flash-realtime.

Qwen riprogetta la traduzione attorno a un flusso intercalato

Il modello utilizza quella che Qwen chiama architettura Interleave, che combina audio e testo in un’unica sequenza in streaming. Secondo l’azienda, l’audio già ascoltato e la traduzione già generata possono essere memorizzati nella cache e riutilizzati, consentendo al sistema di mantenere il contesto e ridurre il ritardo.

L’architettura utilizza due moduli: un Thinker basato su Hybrid-MoE e un Talker. Il Thinker elabora video, audio, testo originale e traduzione in ordine temporale. Il Talker combina poi la traduzione con l’audio originale per generare un parlato volto a preservare il timbro del parlante originale.

Questa struttura si distingue da una semplice catena di riconoscimento vocale, traduzione del testo e sintesi vocale. Qwen presenta il sistema come una pipeline di interpretazione end-to-end, in cui comprensione, traduzione e generazione del parlato restano collegate durante lo scambio in tempo reale.

La separazione dei parlanti diventa una funzione del prodotto

Qwen3.8-LiveTranslate aggiunge la separazione in tempo reale dei parlanti per le conversazioni che coinvolgono più persone. Il sistema attribuisce le frasi ai diversi parlanti e utilizza queste informazioni per produrre il parlato tradotto: secondo Qwen, ciò rende più stabile la clonazione della voce e aiuta gli ascoltatori a seguire chi ha detto cosa.

Il modello sincronizza anche la lingua originale e la traduzione in un’unica visualizzazione bilingue. Qwen presenta la funzione come utile per la comprensione immediata e la verifica dell’originale, indicando anche applicazioni come i sottotitoli, l’organizzazione dei contenuti e il loro reperimento.

La disambiguazione su contesti lunghi affronta un altro problema comune nell’interpretazione in tempo reale: nomi, riferimenti e termini il cui significato dipende dai turni precedenti. Secondo Qwen, il modello collega il parlato corrente al testo precedente e alla cronologia della conversazione per mantenere più coerenti queste espressioni.

Le affermazioni coprono 70 direzioni di valutazione

Qwen ha valutato il sistema sul set multi-parlante di audio lunghi Omnilingua-MSpeaker, che copre 14 direzioni linguistiche. Secondo l’azienda, Qwen3.8-LiveTranslate ha superato i principali sistemi di interpretazione in tempo reale per fedeltà, fluidità e concisione della traduzione e per tasso di errore nella diarizzazione.

Per test multilingue più ampi, Qwen ha utilizzato il set pubblico di test audio FLEURS su 70 direzioni linguistiche. Secondo l’azienda, il nuovo modello ha superato sia la generazione precedente di Qwen sia gli attuali sistemi più diffusi per qualità della traduzione, ritardo medio, accuratezza del riconoscimento vocale e qualità della sintesi vocale.

Il testo dell’annuncio non pubblica le tabelle di benchmark su cui si basano i confronti, che è quindi più opportuno leggere come affermazioni di Qwen, anziché come classifiche verificate in modo indipendente.

DashScope offre una prima via per l’implementazione

L’esempio di Qwen per l’utilizzo del modello passa attraverso l’API DashScope su una connessione WebSocket. Un client invia in streaming l’audio del microfono al servizio e riceve testo tradotto, audio sintetizzato o entrambi, a seconda della configurazione della sessione.

La stessa interfaccia può restituire, insieme alla traduzione, gli identificativi dei parlanti e il testo nella lingua originale. L’esempio di Qwen supporta anche l’invio di fotogrammi come contesto visivo, consentendo al servizio di utilizzare informazioni che vanno oltre il flusso audio nell’interpretazione di uno scambio.

Il rilascio elenca 60 lingue supportate per l’input audio e l’output testuale, tra cui inglese, cinese, arabo, francese, tedesco, hindi, giapponese, coreano, spagnolo, turco, ucraino e vietnamita. L’output audio copre 29 lingue, tra cui inglese, cinese, giapponese, coreano, francese, tedesco, spagnolo, italiano, arabo, hindi e persiano.

I prossimi obiettivi di sviluppo di Qwen sono un ritardo end-to-end inferiore, una memoria che si mantenga tra le sessioni e una copertura più ampia per le lingue meno supportate e i dialetti regionali. Per il rilascio attuale, il cambiamento misurabile è più circoscritto: il ritardo medio scende di mezzo secondo, a 2,3 secondi, mentre il servizio aggiunge l’attribuzione del parlato ai singoli interlocutori e un output bilingue sincronizzato.