Tim Qwen milik Alibaba merilis Qwen3.8-LiveTranslate pada 19 September, sebuah model interpretasi simultan real-time yang memangkas latensi per-karakter dari 2,8 detik pada generasi sebelumnya menjadi 2,3 detik. Model ini mampu memahami 60 bahasa dan menghasilkan output suara dalam 29 bahasa, dan Alibaba sekaligus membuka halaman demo serta API-nya.
Kesulitan interpretasi simultan bukan terletak pada kualitas terjemahan itu sendiri, melainkan pada trade-off antara kualitas dan latensi. Semakin banyak kata yang ditunggu, struktur kalimat semakin utuh dan terjemahan semakin akurat; tapi semakin lama menunggu, pendengar semakin sulit mengikuti. Kompresi setengah detik inilah inti dari rilis kali ini.
Interleave merajut tiga tahap jadi satu
Model ini memakai desain dua modul Thinker-Talker berbasis Hybrid MoE. Thinker menangani input audio dan video serta melakukan penerjemahan, sementara Talker menghasilkan suara sambil mempertahankan timbre suara pembicara asli. Kedua modul dihubungkan lewat pendekatan interleave yang merajut tiga tahap: pemahaman streaming, output teks, dan pembuatan suara.
Makna dari struktur ini adalah ketiga tahap tidak lagi menunggu satu sama lain secara berurutan. Cara konvensional adalah mendengar satu segmen, menerjemahkannya, lalu menyintesisnya — setiap tahap harus menumpuk cukup input dulu. Interleave membuat segmen berikutnya mulai diproses sebelum segmen sebelumnya selesai, sehingga latensi bisa ditekan. Konsekuensinya, tuntutan terhadap stabilitas streaming model jadi jauh lebih tinggi: begitu pemahaman atas paruh pertama kalimat keliru, suara untuk paruh keduanya sudah terlanjur diputar.
Selain pemangkasan latensi, versi ini menambahkan tiga kemampuan baru: pemisahan pembicara secara real-time dengan mempertahankan timbre masing-masing, tampilan teks asli dan terjemahan pada frame dan layar yang sama, serta disambiguasi makna berdasarkan konteks panjang. Dua kemampuan pertama menjawab kebutuhan mendasar dalam skenario rapat — saat banyak orang bicara bersamaan, sistem bisa membedakan siapa yang sedang berbicara, dan terjemahan bisa dicocokkan langsung dengan teks aslinya. Kemampuan ketiga menyasar kasus di mana makna kata ditentukan oleh konteks sebelum dan sesudahnya.
Dua set evaluasi, cakupannya beda 5 kali lipat
Alibaba merilis dua set data. Yang pertama menggunakan set uji audio publik FLEURS, mencakup 70 arah bahasa, dan menurut Alibaba modelnya unggul dari generasi sebelumnya maupun sistem interpretasi real-time mainstream lainnya pada empat dimensi: kualitas terjemahan, latensi per-karakter, akurasi pengenalan suara, dan kualitas sintesis suara. Yang kedua adalah Omnilingua-MSpeaker, set evaluasi audio panjang multi-pembicara buatan Alibaba sendiri, yang mencakup 14 arah bahasa dan membandingkan keakuratan terjemahan, kelancaran, keringkasan, serta tingkat kesalahan identifikasi pembicara.
Cakupan kedua set ini berbeda 5 kali lipat, dan justru set yang cakupannya lebih sempit itulah yang menguji kemampuan pemisahan pembicara yang jadi andalan rilis ini. Set publik tidak punya metrik multi-pembicara yang setara, sehingga verifikasi dari pihak luar hanya bisa dimulai dari 70 arah bahasa di FLEURS. Seberapa besar keunggulan pada masing-masing dari empat dimensi itu tidak dirinci dalam materi resmi.
Dibandingkan secara horizontal, siapa saingannya
Saat ini ada beberapa jalur teknis berbeda untuk interpretasi real-time. Salah satunya merangkai tiga komponen yang sudah matang — pengenalan suara, mesin penerjemah, dan sintesis suara — yang secara teknik sudah matang dan komponennya bisa diganti-ganti, tapi latensinya biasanya di atas 3 detik. Jalur lain adalah model speech-to-speech end-to-end, yang latensinya rendah tapi cakupan bahasanya seringkali sulit diperluas. Dengan klaim 60 bahasa dipahami, 29 bahasa bisa diucapkan, dan latensi 2,3 detik, Qwen3.8-LiveTranslate berada di antara kedua jalur ini, condong ke arah pendekatan end-to-end.
Untuk perbandingan yang sebenarnya valid, dibutuhkan angka dari set uji dan arah bahasa yang sama. Untuk saat ini, perbandingan yang dipublikasikan hanya berasal dari Alibaba sendiri; replikasi independen dari pihak ketiga di FLEURS belum muncul.
Yang belum diungkapkan
Rilis ini tidak menyinggung soal open source maupun ketentuan lisensi, dan harga API-nya juga belum diumumkan. Melihat ritme Alibaba dengan seri Qwen tahun ini, model kelas Flash kebanyakan dirilis lewat API dulu, baru bobotnya dibuka belakangan — tapi apakah model ini akan mengikuti pola yang sama belum dinyatakan secara resmi.
Skenario seperti rapat, siaran langsung, dan layanan pelanggan lintas negara menuntut lebih dari sekadar angka latensi dari sistem interpretasi simultan. Seberapa cepat sistem pulih dari kesalahan pemenggalan kalimat, seberapa tangguh terhadap aksen, dan seberapa konsisten dengan nama-nama khusus — semua itu baru terlihat setelah diuji dengan audio sungguhan. Halaman demo sudah dibuka, dan jawabannya ada di tangan penggunanya.
Sumber: rilis resmi Alibaba Qwen, CocoLoop, Tencent News, Phoenix Tech; angka latensi, jumlah bahasa, dan cakupan kedua set evaluasi telah diperiksa berdasarkan data resmi, sementara besaran keunggulan pada masing-masing dari empat dimensi tidak diungkapkan secara rinci oleh pihak resmi.