Alibabas ljudmodeller från Apsara 2026 – det här gör de

Alibabas ljudnyheter i samband med teknikmässan Apsara 2026 handlar om två olika behov. Qwen3.8-LiveTranslate ska översätta en person medan den fortfarande talar. Qwen-Audio-3.1 är i stället en serie med fem modeller för uppgifter som att omvandla tal till text, föra röstsamtal eller skapa ljud utifrån ett manus. 314

LiveTranslate: översättning medan någon talar

Qwen3.8-LiveTranslate är utvecklad för simultantolkning. Enligt Alibaba ger modellens så kallade Interleave-arkitektur mer trogen, flytande och kortfattad översättning. Företaget uppger också att LAAL, ett mått på genomsnittlig fördröjning i översättningen, har minskat från cirka 2,8 till 2,3 sekunder. Det är en skillnad på en halv sekund, eller ungefär 18 procent. Både hastighets- och kvalitetsförbättringarna är Alibabas egna uppgifter, inte oberoende testresultat. 37

För samtal med flera deltagare beskriver Alibaba funktioner som skiljer talarna åt i realtid, visar original och översättning synkroniserat samt använder tidigare sammanhang för att tolka tvetydiga uttryck. I dokumentationen för Alibaba Clouds Model Studio anges simultantolkning och direktöversättning som användningsområden. 71

Fem modeller i Qwen-Audio-3.1

Qwen beskriver ASR, TTS och Realtime som uppgraderade funktioner. ASR-Next och TTS-Next är de två nya tillskotten. Förkortningarna hjälper till att skilja modellernas uppgifter åt: ASR handlar om taligenkänning och TTS om att skapa tal från text. 14

• Qwen-Audio-3.1-ASR omvandlar tal till text och är seriens modell för transkribering. 1426
• Qwen-Audio-3.1-ASR-Next analyserar mer än orden. Enligt Qwen kan den märka upp vem som talar, koppla text till tidsstämplar och analysera känslouttryck och andra ljud, till exempel för ljudbeskrivningar och frågor om en inspelning. 14
• Qwen-Audio-3.1-TTS skapar tal från text. Qwen beskriver stöd för flera språk och dialekter samt möjligheter att styra exempelvis känslouttryck, tempo och stil. 14
• Qwen-Audio-3.1-Realtime är avsedd för interaktiva röstsamtal. Alibaba Cloud nämner röstassistenter och kundtjänstsamtal som användningsområden för sitt Realtime-erbjudande. 141
• Qwen-Audio-3.1-TTS-Next ska skapa mer än en uppläst röst: dialog, ljudeffekter och bakgrundsljud kan enligt Alibaba genereras tillsammans i ett enda steg, med bland annat text, tidsstämplar och referensljud som indata. 24

Skillnaden mellan TTS och TTS-Next är alltså tal jämfört med en större ljudproduktion. Alibaba lyfter fram ljudböcker, film och tv, poddar och spel som tänkta användningsområden för ljudmiljöer skapade från manus. Det är en beskrivning av vad modellen är avsedd för – inte ett belägg för att resultatet alltid kan användas utan efterbearbetning. 324