Apsara 2026 में पेश अलीबाबा के ऑडियो मॉडल क्या करते हैं?

अगर कोई व्यक्ति बोल रहा हो और उसी वक्त उसकी बात दूसरी भाषा में सुननी हो, तो उसके लिए Qwen3.8-LiveTranslate है। अगर किसी ऐप को रिकॉर्डिंग लिखनी हो, आवाज़ में जवाब देना हो या पूरी ऑडियो सामग्री बनानी हो, तो वे काम Qwen-Audio-3.1 के पांच अलग-अलग मॉडल संभालते हैं। अलीबाबा की Apsara 2026 से जुड़ी ऑडियो घोषणाओं को समझने का यही सबसे सीधा तरीका है। 314

लाइव अनुवाद में क्या बदला?

Qwen3.8-LiveTranslate वक्ता की बात पूरी होने का इंतज़ार किए बिना अनुवाद देने के लिए बनाया गया है। अलीबाबा का कहना है कि इसकी Interleave तकनीक से अनुवाद की अर्थ के प्रति निष्ठा, प्रवाह और संक्षिप्तता बेहतर हुई है। कंपनी के अनुसार, औसत अनुवाद-विलंब का माप LAAL लगभग 2.8 सेकंड से घटकर 2.3 सेकंड हो गया है—यानी करीब आधा सेकंड, या लगभग 18% की कमी। गुणवत्ता और गति के ये कंपनी के दावे हैं, स्वतंत्र परीक्षण के नतीजे नहीं। 37

कई लोगों की बातचीत के लिए मॉडल में वक्ताओं को अलग-अलग पहचानने, मूल और अनूदित टेक्स्ट साथ दिखाने तथा पहले कही गई बातों के संदर्भ से अस्पष्ट अर्थ समझने जैसी क्षमताएं भी बताई गई हैं। अलीबाबा क्लाउड का Model Studio इसे एक साथ बोले जाने वाले अनुवाद और लाइव ट्रांसलेशन के उपयोगों में सूचीबद्ध करता है। 71

Qwen-Audio-3.1 के पांच मॉडल: कौन किस काम का?

Qwen के अनुसार, इस समूह में ASR, TTS और Realtime के उन्नत संस्करण हैं, जबकि ASR-Next और TTS-Next नए मॉडल हैं। ASR का मतलब आवाज़ को टेक्स्ट में बदलना और TTS का मतलब टेक्स्ट से आवाज़ बनाना है। 14

• Qwen-Audio-3.1-ASR: बोली गई बात को टेक्स्ट में लिखता है—यानी ट्रांसक्रिप्शन के लिए है। 1426
• Qwen-Audio-3.1-ASR-Next: सिर्फ शब्द लिखने से आगे जाता है। Qwen के मुताबिक, यह अलग-अलग वक्ताओं को चिह्नित कर सकता है, टेक्स्ट को समय-चिह्नों से जोड़ सकता है और भावनाओं व बोलने के अलावा दूसरी आवाज़ों का विश्लेषण कर सकता है। 14
• Qwen-Audio-3.1-TTS: लिखे हुए टेक्स्ट से आवाज़ बनाता है। Qwen इसे कई भाषाओं और बोलियों में आवाज़ बनाने तथा भाव, गति और बोलने की शैली नियंत्रित करने की क्षमता वाला मॉडल बताता है। 14
• Qwen-Audio-3.1-Realtime: आवाज़ के ज़रिये दोतरफ़ा बातचीत के लिए है। अलीबाबा क्लाउड इसके उपयोगों में वॉइस असिस्टेंट और ग्राहक सेवा की बातचीत गिनाता है। 141
• Qwen-Audio-3.1-TTS-Next: केवल बोली हुई आवाज़ नहीं, बल्कि संवाद, ध्वनि प्रभाव और आसपास की आवाज़ों वाला पूरा ऑडियो दृश्य बना सकता है। अलीबाबा के अनुसार, यह टेक्स्ट, समय-चिह्न और संदर्भ ऑडियो जैसे इनपुट से इन्हें एक ही बार में तैयार करता है। 24

TTS और TTS-Next का मुख्य फर्क यही है: पहला टेक्स्ट को आवाज़ देता है; दूसरा आवाज़ के साथ पूरे दृश्य का ध्वनि-माहौल बनाने के लिए है। अलीबाबा इसे ऑडियोबुक, फ़िल्म और टीवी, पॉडकास्ट तथा गेम्स के लिए उपयोगी बताता है। यह उसके प्रस्तावित उपयोगों की सूची है—इस बात का प्रमाण नहीं कि तैयार ऑडियो को बिना संपादन के सीधे इस्तेमाल किया जा सकेगा। 324