アリババのQwenチームは9月19日、リアルタイム同時通訳モデル「Qwen3.8-LiveTranslate」を発表した。字あたりの遅延は前世代の2.8秒から2.3秒に短縮された。モデルは60言語の理解と29言語での音声出力に対応し、発表と同時に体験ページとAPIも公開されている。
同時通訳の難しさは翻訳品質そのものではなく、品質と遅延のトレードオフにある。より多くの言葉を待てば文の構造は整い訳も正確になるが、待ちすぎれば聞き手はついていけなくなる。この0.5秒の圧縮こそが、今回の発表の核心だ。
Interleaveで三つの工程を編み合わせる
モデルはHybrid MoEをベースにしたThinker-Talkerの二段構成を採用する。Thinkerは音声・映像入力の処理と翻訳を担当し、Talkerは元の話者の声色を保ったまま音声を生成する。両モジュールはInterleave方式でストリーミング理解、テキスト出力、音声生成の三工程をつなぎ合わせる。
この構造の意味は、三つの工程が互いの完了を順番に待たなくなる点にある。従来は一区切り聞いて、訳して、合成するという流れで、各段階が十分な入力をため込む必要があった。Interleaveでは前の区切りが終わる前に次の区切りの処理が始まるため、遅延が圧縮される。代償はモデルのストリーミング安定性への要求が格段に上がることで、前半の理解を誤れば、後半の音声はすでに再生されてしまっている。
遅延短縮に加え、今回のバージョンでは3つの新機能が加わった。リアルタイムでの話者分離と各話者の声色維持、原文と訳文を同一フレーム・同一画面で表示する機能、そして長文脈での語義の曖昧性解消だ。前の2つは会議シーンでの切実なニーズに応える。複数人が同時に話す状況で誰が話しているかを区別でき、訳文と原文を突き合わせて確認できる。3つ目は前後の文脈が語義を左右するケースを対象としている。
2つの評価セット、カバー範囲は5倍の差
アリババは2組のデータを公表した。1つは公開ベンチマークFLEURSの音声テストセットで、70の言語方向をカバーする。アリババによれば、翻訳品質、字あたり遅延、音声認識精度、音声合成品質の4指標で前世代および現行の主要なリアルタイム同時通訳システムを上回るという。もう1つはアリババ独自の複数話者長時間音声評価セット「Omnilingua-MSpeaker」で、14の言語方向をカバーし、翻訳忠実度、流暢さ、簡潔さ、話者識別誤り率を比較する。
両セットのカバー範囲には5倍の差があり、しかもカバー範囲が狭い方こそが、今回の目玉である話者分離能力を測るものだ。公開セットには対応する複数話者指標がないため、外部による再現検証はまずFLEURSの70方向から始めるしかない。4指標それぞれの具体的なリード幅について、公式資料は数値を示していない。
横並びで見ると、どこと競うのか
リアルタイム同時通訳には現在いくつかの技術路線がある。1つは実績のある音声認識・機械翻訳・音声合成の3要素を組み合わせる方式で、工学的には成熟し部品の差し替えもしやすいが、遅延は通常3秒以上になる。もう1つは音声から音声へのend-to-endモデルで、遅延は低いものの対応言語の幅を広げにくい。Qwen3.8-LiveTranslateが掲げる理解60言語・発話29言語、遅延2.3秒という数字は、この2つの路線の中間、ややend-to-end寄りに位置する。
本当に比較するなら、同一テストセット・同一言語方向での数字が必要になる。現時点で公開されている比較はアリババ自身によるものだけで、FLEURSでの第三者による独立した再現はまだ出てきていない。
まだ語られていないこと
今回の発表ではオープンソース化やライセンス方針について言及がなく、APIの価格も公表されていない。アリババが今年のQwenシリーズで見せてきたペースでは、Flash級のモデルはまずAPIを先行公開し、重みは後から出すケースが多いが、本モデルがそれに従うかどうかは公式の言及がない。
会議、ライブ配信、越境カスタマーサポートといった場面が同時通訳に求めるのは遅延の数字だけではない。文の区切りを誤った際の復帰の速さ、訛りへの頑健性、固有名詞の一貫性――これらは実際の音声で試してみないと分からない。体験ページはすでに公開されており、答えは使う人の手の中にある。
参考資料：アリババQwen公式発表、CocoLoop、騰訊新聞、鳳凰科技；遅延の数値、対応言語数、両評価セットのカバー範囲は公式発表に基づいて確認したが、4指標それぞれのリード幅は公式から個別の数値は開示されていない。