Dette gjør Alibabas lydmodeller fra Apsara 2026

Det viktigste skillet i Alibabas lydnyheter fra Apsara-konferansen i 2026 er hva modellene skal brukes til. Qwen3.8-LiveTranslate er laget for å oversette tale fortløpende. Qwen-Audio-3.1 er en familie på fem modeller for å gjenkjenne og forstå lyd, lage tale, føre stemmesamtaler og produsere lydinnhold. 314

Oversetter mens samtalen pågår

Qwen3.8-LiveTranslate er en modell for simultantolking: Den skal levere oversettelsen mens den som snakker, fortsatt har ordet. Alibaba sier at modellens såkalte Interleave-arkitektur gir mer korrekt, flytende og konsis oversettelse. Selskapet oppgir også at LAAL, et mål på gjennomsnittlig oversettelsesforsinkelse, er redusert fra rundt 2,8 til 2,3 sekunder. Det er et halvt sekund, eller omtrent 18 prosent. Både kvalitetsforbedringene og forsinkelsestallene er Alibabas egne opplysninger, ikke resultater fra uavhengig testing. 37

For samtaler med flere deltakere beskriver Alibaba funksjoner som skiller mellom talere i sanntid, viser originaltekst og oversettelse side om side og bruker tidligere deler av samtalen til å tolke tvetydige uttrykk. Alibaba Clouds dokumentasjon oppgir simultantolking og direkteoversetting som bruksområder. 71

Fem modeller – fem ulike oppgaver

Qwen omtaler Audio 3.1 som oppgraderinger av ASR, TTS og Realtime, i tillegg til de to nye modellene ASR-Next og TTS-Next. Forkortelsene ASR og TTS viser til talegjenkjenning og tekst-til-tale. 14

• Qwen-Audio-3.1-ASR gjør tale om til tekst og er familiens modell for transkripsjon. 1426
• Qwen-Audio-3.1-ASR-Next går lenger enn transkripsjon. Ifølge Qwen kan den merke hvem som snakker, knytte tekst til tidsstempler og analysere blant annet følelser og lyder som ikke er tale. 14
• Qwen-Audio-3.1-TTS lager tale fra tekst. Qwen beskriver støtte for flere språk og dialekter, samt styring av blant annet følelsesuttrykk, tempo og stil. 14
• Qwen-Audio-3.1-Realtime er beregnet på interaktive stemmesamtaler. Alibaba Cloud nevner taleassistenter og kundeservicesamtaler som mulige bruksområder. 141
• Qwen-Audio-3.1-TTS-Next skal lage mer enn bare tale. Ifølge Alibaba kan modellen generere dialog, lydeffekter og bakgrunnslyd samlet, med blant annet tekst, tidsstempler og referanselyd som grunnlag. 24

TTS-Next er dermed forskjellen mellom opplesning og en mer sammensatt lydscene i denne lanseringen. Alibaba trekker frem lydbøker, film og TV, podkaster og spill som aktuelle bruksområder. Det er en beskrivelse av hva modellen er ment for, ikke dokumentasjon på at resultatet kan brukes i en ferdig produksjon uten redigering. 324