Model Audio Alibaba di Apsara 2026: Apa Bedanya LiveTranslate dan Qwen-Audio-3.1?

Pengumuman audio Alibaba seputar Konferensi Apsara 2026 mudah tertukar karena nama modelnya mirip. Qwen3.8-LiveTranslate bukan bagian dari lima model Qwen-Audio-3.1. LiveTranslate ditujukan untuk menerjemahkan ucapan secara langsung, sedangkan keluarga Audio 3.1 menyediakan model untuk mengenali, menghasilkan, memahami, dan berinteraksi melalui audio. 314

LiveTranslate: terjemahan sebelum pembicara selesai

Qwen3.8-LiveTranslate dirancang untuk penerjemahan simultan: hasil terjemahan dibuat selagi ucapan masuk. Menurut Alibaba, arsitektur Interleave meningkatkan kesetiaan pada makna, kelancaran, dan keringkasan terjemahan. Perusahaan juga menyebut LAAL—ukuran rata-rata jeda terjemahan—turun dari sekitar 2,8 menjadi 2,3 detik. Selisihnya 0,5 detik, atau sekitar 18%. Angka dan peningkatan kualitas tersebut adalah klaim Alibaba, bukan hasil pengujian independen. 37

Untuk percakapan dengan beberapa orang, Alibaba menyebut fitur pembedaan pembicara secara langsung, tampilan teks asli dan terjemahan yang tersinkronisasi, serta pemanfaatan konteks percakapan sebelumnya untuk memahami ungkapan yang ambigu. Dokumentasi Model Studio Alibaba Cloud mencantumkan penerjemahan simultan dan terjemahan langsung sebagai penggunaan model ini. 71

Lima model Qwen-Audio-3.1, lima tugas berbeda

Menurut Qwen, keluarga Audio 3.1 mencakup tiga kemampuan yang ditingkatkan—ASR, TTS, dan Realtime—serta dua model baru, ASR-Next dan TTS-Next. ASR berarti pengenalan ucapan otomatis, sementara TTS berarti pengubahan teks menjadi suara. 14

• Qwen-Audio-3.1-ASR mengubah ucapan menjadi teks; inilah model untuk transkripsi. 1426
• Qwen-Audio-3.1-ASR-Next melangkah lebih jauh dari transkripsi. Menurut Qwen, model ini dapat memberi label pembicara, menyelaraskan transkrip dengan penanda waktu, serta menganalisis emosi dan bunyi selain ucapan untuk tugas seperti mendeskripsikan suara dan menjawab pertanyaan tentang audio. 14
• Qwen-Audio-3.1-TTS menyintesis ucapan dari teks. Qwen menyebut dukungan berbagai bahasa dan dialek, dengan pengaturan cara penyampaian seperti emosi, kecepatan, dan gaya bicara. 14
• Qwen-Audio-3.1-Realtime ditujukan untuk percakapan suara interaktif. Alibaba Cloud mencantumkan asisten suara dan percakapan layanan pelanggan sebagai contoh penggunaannya. 141
• Qwen-Audio-3.1-TTS-Next membuat adegan audio yang lebih lengkap, bukan hanya suara orang berbicara. Menurut Alibaba, model ini dapat menghasilkan dialog, efek suara, dan suara latar sekaligus dalam satu proses, dengan masukan yang dapat mencakup teks, penanda waktu, dan audio referensi. 24

Perbedaan paling jelas ada pada TTS dan TTS-Next: yang pertama membacakan teks menjadi ucapan, sedangkan yang kedua ditujukan untuk merangkai suara sebuah adegan. Alibaba menawarkan kemampuan mengubah naskah menjadi lanskap suara untuk buku audio, film dan televisi, podcast, serta gim. Itu adalah sasaran penggunaan kreatif, bukan jaminan bahwa hasilnya selalu siap dipakai tanpa penyuntingan. 324