I modelli audio di Alibaba ad Apsara 2026, spiegati

Negli annunci audio legati alla conferenza Apsara 2026, Alibaba distingue due esigenze: tradurre una persona mentre parla e sviluppare applicazioni che ascoltano, rispondono o producono audio. Alla prima risponde Qwen3.8-LiveTranslate; alla seconda, la famiglia di cinque modelli Qwen-Audio-3.1. 314

LiveTranslate: quanto ritarda l’interpretazione?

Qwen3.8-LiveTranslate produce la traduzione mentre riceve il parlato. Secondo Alibaba, la sua architettura Interleave migliora fedeltà, scorrevolezza e concisione della traduzione e riduce il valore LAAL, una misura del ritardo medio, da circa 2,8 a 2,3 secondi: mezzo secondo in meno, pari a circa il 18%. Sono risultati dichiarati dall’azienda, non verifiche indipendenti. 37

Per le conversazioni a più voci, Alibaba descrive inoltre il riconoscimento in tempo reale di chi sta parlando, la visualizzazione sincronizzata del testo originale e della traduzione e l’uso del contesto precedente per sciogliere le ambiguità. La documentazione di Model Studio, la piattaforma cloud di Alibaba per accedere ai modelli, indica l’interpretazione simultanea e la traduzione dal vivo tra gli impieghi previsti. 71

Qwen-Audio-3.1: quale modello serve per quale compito?

La famiglia comprende tre capacità aggiornate — ASR, TTS e Realtime — e due nuovi modelli, ASR-Next e TTS-Next. ASR indica il riconoscimento automatico del parlato; TTS la conversione del testo in voce. 14

• Qwen-Audio-3.1-ASR trascrive il parlato in testo. 1426
• Qwen-Audio-3.1-ASR-Next va oltre la trascrizione: secondo Qwen può distinguere i parlanti, associare il testo a indicazioni temporali e analizzare emozioni e suoni non vocali, per esempio per descrivere un ambiente sonoro o rispondere a domande su una registrazione. 14
• Qwen-Audio-3.1-TTS genera voce a partire dal testo. Qwen ne descrive il supporto a più lingue e varietà dialettali e i controlli su emozione, velocità e stile della voce. 14
• Qwen-Audio-3.1-Realtime è pensato per conversazioni vocali interattive, come quelle con assistenti e servizi di assistenza clienti. 141
• Qwen-Audio-3.1-TTS-Next punta a creare una scena audio completa, non soltanto una voce: secondo Alibaba può generare insieme dialoghi, effetti sonori e suoni d’ambiente in un unico passaggio, usando input che includono testo, indicazioni temporali e audio di riferimento. 24

È soprattutto TTS-Next a segnare la differenza rispetto alla normale sintesi vocale. Alibaba lo propone per audiolibri, cinema e televisione, podcast e videogiochi. Si tratta degli usi previsti dall’azienda, non della garanzia che una scena generata sia pronta per la pubblicazione senza interventi di montaggio. 324