Co potrafią nowe modele audio Alibaba?

W zapowiedziach Alibaba związanych z konferencją Apsara 2026 łatwo pomylić dwa różne zadania. Qwen3.8-LiveTranslate ma tłumaczyć rozmówcę na bieżąco. Qwen-Audio-3.1 to z kolei rodzina pięciu modeli dla aplikacji, które rozpoznają mowę, analizują nagrania, odpowiadają głosem lub tworzą dźwięk. 314

Tłumaczenie, gdy rozmowa wciąż trwa

Qwen3.8-LiveTranslate jest modelem do tłumaczenia symultanicznego: przetwarza wypowiedź w trakcie jej trwania, zamiast czekać na koniec nagrania. Alibaba przypisuje jego architekturze Interleave większą wierność, płynność i zwięzłość przekładu. Firma podaje też, że LAAL — wskaźnik średniego opóźnienia tłumaczenia — spadł z około 2,8 do 2,3 sekundy. To różnica pół sekundy, czyli około 18%. Zarówno wynik pomiaru, jak i poprawa jakości są deklaracjami firmy, a nie rezultatami niezależnego testu. 37

W rozmowach wieloosobowych model ma rozróżniać mówców w czasie rzeczywistym. Alibaba opisuje również zsynchronizowany widok tekstu oryginalnego i tłumaczenia oraz wykorzystanie wcześniejszego kontekstu do wyjaśniania niejednoznaczności. Dokumentacja platformy Model Studio wskazuje tłumaczenie na żywo i tłumaczenie symultaniczne jako zastosowania modelu. 71

Pięć modeli Qwen-Audio-3.1 — który do czego służy?

Qwen przedstawia tę serię jako trzy ulepszone modele — ASR, TTS i Realtime — oraz dwa nowe: ASR-Next i TTS-Next. Skrót ASR oznacza automatyczne rozpoznawanie mowy, a TTS — zamianę tekstu na mowę. 14

• Qwen-Audio-3.1-ASR zamienia wypowiedzi na tekst; to model przeznaczony do transkrypcji. 1426
• Qwen-Audio-3.1-ASR-Next wykracza poza sam zapis słów: według Qwen potrafi oznaczać mówców, przypisywać fragmentom transkrypcji znaczniki czasu oraz analizować emocje i dźwięki inne niż mowa. Może służyć m.in. do opisywania odgłosów i odpowiadania na pytania o nagranie. 14
• Qwen-Audio-3.1-TTS tworzy mowę z tekstu. Qwen wymienia obsługę wielu języków i dialektów oraz możliwość sterowania emocją, tempem i stylem wypowiedzi. 14
• Qwen-Audio-3.1-Realtime jest przeznaczony do interaktywnych rozmów głosowych. Alibaba Cloud wskazuje asystentów głosowych i obsługę klienta jako przykładowe zastosowania. 141
• Qwen-Audio-3.1-TTS-Next ma generować więcej niż głos. Według dokumentacji Alibaba może w jednym przebiegu połączyć dialog, efekty dźwiękowe i tło, korzystając m.in. z tekstu, znaczników czasu oraz nagrań referencyjnych. 24

Najważniejsza różnica: zwykły TTS odczytuje tekst, natomiast TTS-Next ma tworzyć całe sceny dźwiękowe. Alibaba wskazuje audiobooki, film i telewizję, podcasty oraz gry jako planowane zastosowania. Nie oznacza to jednak, że wygenerowany materiał będzie gotowy do publikacji bez dalszej obróbki. 324