Hvad kan Alibabas nye lydmodeller?

Alibabas lydnyheder fra Apsara-konferencen i 2026 løser to forskellige opgaver. Qwen3.8-LiveTranslate er udviklet til at oversætte, mens en person stadig taler. Qwen Audio 3.1 er en familie på fem modeller til at genkende, forstå, skabe og føre samtaler med lyd. 314

LiveTranslate: oversættelse uden at vente på hele sætningen

Qwen3.8-LiveTranslate er en model til simultantolkning. Ifølge Alibaba forbedrer dens såkaldte Interleave-arkitektur oversættelsens trofasthed, flydende sprog og kortfattethed. Selskabet oplyser samtidig, at LAAL – et mål for gennemsnitlig oversættelsesforsinkelse – er faldet fra cirka 2,8 til 2,3 sekunder. Det er et halvt sekund, eller omtrent 18 procent. Tallene og kvalitetsforbedringerne er Alibabas egne oplysninger, ikke resultater fra en uafhængig test. 37

Modellen skal også kunne skelne mellem forskellige talere i realtid, vise originaltekst og oversættelse synkront og bruge tidligere samtale til at afklare tvetydige formuleringer. Alibaba Cloud beskriver simultantolkning og liveoversættelse som anvendelser for modellen. 71

Qwen Audio 3.1: fem modeller med hver sin opgave

Qwen beskriver ASR, TTS og Realtime som opgraderede funktioner, mens ASR-Next og TTS-Next er nye tilføjelser. Forkortelserne dækker over forskellige måder at arbejde med lyd på: 14

• Qwen-Audio-3.1-ASR genkender tale og omsætter den til tekst – altså transskription. 1426
• Qwen-Audio-3.1-ASR-Next går videre end ordene alene. Ifølge Qwen kan den markere talere, knytte tidsstempler til en transskription og analysere blandt andet følelser og lyde, der ikke er tale. 14
• Qwen-Audio-3.1-TTS laver tale ud fra tekst. Qwen beskriver understøttelse af flere sprog og dialekter samt mulighed for at styre blandt andet følelse, tempo og stil. 14
• Qwen-Audio-3.1-Realtime er rettet mod samtaler med en stemmebaseret tjeneste. Alibaba Cloud nævner stemmeassistenter og kundeservicesamtaler som anvendelser. 141
• Qwen-Audio-3.1-TTS-Next skal skabe mere end en oplæst stemme: Modellen kan ifølge Alibaba generere dialog, lydeffekter og baggrundslyde samlet i én arbejdsgang ud fra blandt andet tekst, tidsstempler og referencelyd. 24

Den sidste forskel er væsentlig: Almindelig TTS omdanner tekst til tale, mens TTS-Next er tænkt som et værktøj til at opbygge en hel lydscene. Alibaba peger på lydbøger, film og tv, podcasts og spil som mulige anvendelser. Det er tilsigtede brugsscenarier – ikke dokumentation for, at resultatet kan bruges i en færdig produktion uden redigering. 324