Traduction en direct, transcription, création sonore : que proposent les modèles audio d’Alibaba ?

À l’occasion de la conférence Apsara 2026, Alibaba a présenté des modèles audio qui ne remplissent pas tous la même fonction. Qwen3.8-LiveTranslate sert à traduire une personne pendant qu’elle parle. Qwen-Audio 3.1 réunit cinq modèles destinés, selon le cas, à transcrire, comprendre, produire ou utiliser la voix dans une conversation. 314

LiveTranslate : traduire sans attendre la fin d’une phrase

Qwen3.8-LiveTranslate est conçu pour l’interprétation simultanée. Alibaba affirme que son architecture « Interleave » rend les traductions plus fidèles, plus fluides et plus concises. L’entreprise indique aussi que le LAAL, un indicateur du décalage moyen de traduction, passe d’environ 2,8 à 2,3 secondes : un gain de 0,5 seconde, soit près de 18 %. Il s’agit de résultats communiqués par Alibaba, et non de mesures indépendantes citées ici. 37

Pour les échanges à plusieurs, Alibaba décrit une identification des différents locuteurs en temps réel, un affichage synchronisé de l’original et de sa traduction, ainsi que l’utilisation du contexte précédent pour lever certaines ambiguïtés. La documentation de Model Studio, sa plateforme pour les développeurs, cite notamment l’interprétation simultanée et la traduction en direct parmi les usages du modèle. 71

Qwen-Audio 3.1 : cinq modèles, cinq rôles

La gamme comprend trois capacités mises à jour — ASR, TTS et Realtime — et deux nouveaux modèles, ASR-Next et TTS-Next. ASR désigne la reconnaissance automatique de la parole ; TTS, la conversion d’un texte en voix. 14

• Qwen-Audio-3.1-ASR transforme la parole en texte : c’est le modèle de transcription. 1426
• Qwen-Audio-3.1-ASR-Next va au-delà des mots prononcés. Selon Qwen, il peut distinguer les locuteurs, associer la transcription à des horodatages et analyser les émotions ou les sons non vocaux, notamment pour décrire un enregistrement ou répondre à des questions sur son contenu. 14
• Qwen-Audio-3.1-TTS produit une voix à partir d’un texte. Qwen met en avant la prise en charge de plusieurs langues et dialectes, ainsi que des réglages d’émotion, de débit et de style. 14
• Qwen-Audio-3.1-Realtime est destiné aux conversations vocales interactives, par exemple avec un assistant ou un service client. 141
• Qwen-Audio-3.1-TTS-Next ne se limite pas à lire un texte : Alibaba indique qu’il peut générer en une seule fois dialogues, effets sonores et ambiance, à partir notamment de texte, d’horodatages ou d’un audio de référence. 24

La distinction la plus nette concerne donc TTS-Next : on passe de la synthèse d’une voix à la création d’une scène sonore. Alibaba le destine notamment aux livres audio, au cinéma, à la télévision, aux podcasts et aux jeux vidéo. Ce sont des usages envisagés, pas la preuve qu’un résultat généré serait prêt à être diffusé sans retouche. 324