通义千问正式推出多语言实时音视频同传模型 Qwen3-LiveTranslate-Flash，以 “视觉增强 + 低延迟 + 高精度” 的全栈技术突破，重新定义智能翻译体验，为国际交流、专业服务等场景提供高效跨语言解决方案。
这款新模型实现了 18 种语言及多种方言的全覆盖，其中既包含英、法、德、日等 12 种主流外语，也囊括普通话、粤语、四川话、吴语等 6 种中文方言，能精准应对日常交流与专业场景的语言需求。在响应速度上，依托轻量化混合专家架构与动态采样策略，其同传延迟被压缩至 3 秒以内，在跨境直播等场景中，主播发言后约 2 秒即可生成目标语言字幕，基本实现无缝衔接。
突破性的视觉上下文增强技术让模型实现了 “能听会看” 的多模态理解 —— 通过实时分析说话人的口型变化、肢体动作甚至背景文字，有效弥补单一语音输入的局限。在背景噪音干扰测试中，该技术使专有名词识别准确率较传统方案提升 37%，尤其能精准区分 “mask”（口罩）与 “Musk”（马斯克）这类同音异义词，错误率可控制在 1.2% 以下。配合语义单元预测技术对跨语言语句结构的重构，其实时翻译质量达到离线翻译的 98% 以上，在金融、医疗等专业领域的术语翻译准确率更是突破 94%。
在权威测评中，Qwen3-LiveTranslate-Flash 表现亮眼，在中英及多语言语音翻译榜单中，准确度显著优于 GPT-4o-Audio-Preview、Gemini-2.5-Flash 等国际主流模型，除单一项目外均登顶榜首。更值得关注的是，模型支持离线运行模式，即便在飞机、偏远地区等无网络环境下仍能正常使用，同时搭载 8 种拟人化特色语音包，可根据内容智能调节语调与情感，让翻译结果更具自然表现力。
目前，该模型已开放 API 接口供开发者调用，其技术优势已在多元场景中显现：国际会议中可通过口型识别补全劣质音频信息，医疗问诊时能结合手势辅助语义判断，跨境直播里可实现实时多语言字幕生成。从商务人士的跨国谈判到旅行者的海外交流，Qwen3-LiveTranslate-Flash 正以 “更快响应、更高精度、更全场景” 的能力，打破语言沟通的壁垒。
.
.
.
.
.
