O que fazem os novos modelos de áudio da Alibaba

Os anúncios de áudio da Alibaba ligados à conferência Apsara 2026 atendem a duas necessidades diferentes. O Qwen3.8-LiveTranslate interpreta uma fala enquanto ela acontece. Já a família Qwen-Audio-3.1 reúne cinco modelos para aplicações que precisam transcrever, gerar voz, conversar por áudio, analisar sons ou criar uma cena sonora completa. 314

Tradução ao vivo: o que muda no Qwen3.8-LiveTranslate

O Qwen3.8-LiveTranslate foi desenvolvido para interpretação simultânea: ele produz a tradução à medida que recebe a fala, sem esperar o orador terminar. Segundo a Alibaba, a arquitetura Interleave melhora a fidelidade ao sentido original, a fluidez e a concisão da tradução. A empresa afirma ainda que o LAAL — uma medida do atraso médio da tradução — caiu de cerca de 2,8 para 2,3 segundos, uma redução de meio segundo, ou aproximadamente 18%. São resultados informados pela própria companhia, não uma avaliação independente. 37

Para conversas com várias pessoas, a Alibaba descreve recursos que distinguem os participantes em tempo real, exibem o texto original e o traduzido de forma sincronizada e usam o contexto anterior para esclarecer trechos ambíguos. A documentação da plataforma Model Studio aponta interpretação simultânea e tradução ao vivo como usos do modelo em tempo real. 71

Qwen-Audio-3.1: cinco modelos, cinco funções

A linha combina versões atualizadas de ASR, TTS e Realtime com dois novos modelos, ASR-Next e TTS-Next. ASR é reconhecimento de fala, ou seja, a conversão de voz em texto; TTS faz o caminho inverso, gerando voz a partir de texto. 14

• Qwen-Audio-3.1-ASR: transcreve fala em texto. 1426
• Qwen-Audio-3.1-ASR-Next: vai além da transcrição. Segundo a Qwen, identifica quem está falando, associa trechos do texto a marcações de tempo e analisa emoções e sons que não são fala, como ruídos do ambiente. 14
• Qwen-Audio-3.1-TTS: sintetiza voz a partir de texto. A Qwen descreve suporte a vários idiomas e dialetos, além de controles de emoção, velocidade e estilo da fala. 14
• Qwen-Audio-3.1-Realtime: foi pensado para conversas por voz. A Alibaba Cloud cita assistentes de voz e atendimento ao cliente entre os usos de sua oferta Realtime. 141
• Qwen-Audio-3.1-TTS-Next: gera mais do que uma voz narrando. Segundo a Alibaba, pode combinar diálogos, efeitos sonoros e sons de ambiente em uma única geração, a partir de entradas como texto, marcações de tempo e áudio de referência. 24

A distinção mais importante para quem produz conteúdo está no TTS-Next: enquanto o TTS convencional transforma texto em fala, ele busca transformar um roteiro em uma cena sonora. A Alibaba aponta audiolivros, cinema e TV, podcasts e jogos como aplicações pretendidas. Isso descreve o objetivo da ferramenta — não garante que o áudio gerado dispense edição antes de ser publicado. 324