アリババ、Qwen3.8-LiveTranslateを発表

アリババ（Alibaba）のQwenチームは2026年9月20日、リアルタイム同声伝訳に特化した大規模AIモデル「Qwen3.8-LiveTranslate」を発表した。60言語間の音声翻訳に対応し、統合されたInterleaveアーキテクチャによって文字平均遅延（LAAL）を従来の2.8秒から2.3秒へと0.5秒短縮した。国際会議や多言語商談などの現場において、発話と訳出のタイムラグを感じさせない自然な同時通訳体験を提供する。

Thinker–Talkerデュアルモジュールによるストリーミング処理

Qwen3.8-LiveTranslateの根幹には、Hybrid MoEに基づく「Thinker–Talker」デュアルモジュール構造が採用されている。入力理解、テキスト生成、音声合成の3工程を単一のパイプラインに統合した設計が特徴だ。

• Thinker（映像・音声・テキストを単一シーケンスで処理し翻訳を生成するモジュール）: 映像、音声、原文テキスト、翻訳テキストを時間順の因果的シーケンス（causal sequence）に整理する。ストリーミングでの文脈理解と翻訳生成を同一シーケンス内でエンドツーエンドに完結させる。
• Talker（翻訳テキストと原音声を基に話者の声を再現して発話するモジュール）: Thinkerが出力した翻訳テキストと入力元の音声を組み合わせ、発話者本人の声質（トーンや抑揚）を保ったまま翻訳音声を合成・出力する。

従来の音声翻訳システムで課題となっていた「誰が話しているか分からなくなる」「話者の声が機械的な別人に置き換わる」といった違和感を解消している。

実用性を高める3つの新機能

現場での実用に耐えうる同時通訳を実現するため、以下の3つの主要機能が追加された。

• ​リアルタイム話者分離​: 複数人が交互に発話する会議でも、発話を正確に人物ごとに分離して割り当てる。発話の混同や音声のクロストークを排除し、安定した音声複製を可能にした。
• ​原文と訳文の同時表示​: 音声の再生と並行して、画面上に原文テキストと翻訳テキストを同時に表示する。聞き手は音声を聞きながら視覚的にも内容を追跡できる。
• ​長文脈あいまいさ解消​: 直前までの発話履歴や前後の文脈を参照し、同音異義語や専門用語を適切に判定する。特に誤訳が多発しやすい固有名詞や技術用語の認識精度を大幅に向上させた。

多言語ビジネスへの影響と未確認事項

これまで同時通訳AIの導入においては、発話から訳出までに3秒前後の遅延が生じ、円滑な対話のリズムが損なわれる点が大きな障壁となっていた。Qwen3.8-LiveTranslateが達成した2.3秒という平均遅延は、人間による同時通訳の反応速度に近づく水準であり、オンライン国際会議やカスタマーサポートの自動翻訳における実用性を大きく引き上げる可能性がある。

一方で、今回の発表ではモデルの提供形態（オープンウェイト公開かAPI提供のみか）、具体的な利用料金、同時接続負荷に対する耐性などの運用要件は明らかにされていない。また、エッジ端末でのローカル実行要件についても追加の公式アナウンスが待たれる。

分析と展望

音声翻訳における「認識・翻訳・合成」の多段階カスケード構造から、単一のマルチモーダル基盤モデルによるエンドツーエンド処理への移行は、業界全体の大きなトレンドとなっている。アリババはInterleaveアーキテクチャを活用することで、マルチモーダル入力の理解と音声ストリーミング生成を低遅延で一本化することに成功したとみられる。人名の文脈追従や話者の声質再現といった実用面での細やかな課題解決を含め、実用的な同時通訳AIの実装水準を一歩前進させる発表といえる。

引用元：AIbase