คำตอบเผยแพร่แล้ว16 แหล่งที่มา
โมเดลเสียง Alibaba ใน Apsara 2026 ทำอะไรได้บ้าง
Qwen3.8 LiveTranslate แปลเสียงพูดระหว่างที่ผู้พูดยังพูดอยู่ โดย Alibaba ระบุว่าค่าความหน่วงเฉลี่ย LAAL ลดจากราว 2.8 เหลือ 2.3 วินาที [3][7] Qwen Audio 3.1 มีห้าโมเดล แยกหน้าที่ตั้งแต่ถอดเสียงและสร้างเสียงพูด ไปจนถึงสนทนาด้วยเสียง วิเคราะห์เสียง และสร้างฉากเสียง [14][24]
เผยแพร่โดยแก้ไขด้วย GPT-6 Solรูปภาพสร้างด้วย GPT Image 2
คำตอบการวิจัย
ประเด็นสำคัญ
- Qwen3.8 LiveTranslate แปลเสียงพูดระหว่างที่ผู้พูดยังพูดอยู่ โดย Alibaba ระบุว่าค่าความหน่วงเฉลี่ย LAAL ลดจากราว 2.8 เหลือ 2.3 วินาที [3][7]
- Qwen Audio 3.1 มีห้าโมเดล แยกหน้าที่ตั้งแต่ถอดเสียงและสร้างเสียงพูด ไปจนถึงสนทนาด้วยเสียง วิเคราะห์เสียง และสร้างฉากเสียง [14][24]
AI พรอมต์
openai.comCreate a landscape editorial hero image for this Studio Global article: What audio models did Alibaba unveil at the 2026 Apsara Conference, and what are their capabilities and intended uses—including Qwen3.8-Live. Article summary: At the 2026 Apsara Conference, Alibaba presented Qwen3.8-LiveTranslate for simultaneous interpretation and its Qwen-Audio-3.1 lineup for speech recognition, synthesis, live interaction and audio creation. The reported tr. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
ข่าวโมเดลเสียงของ Alibaba ในช่วงงาน Apsara 2026 อาจดูเหมือนเป็นชุดเดียวกัน แต่แบ่งตามงานได้ชัดเจน: Qwen3.8-LiveTranslate ทำหน้าที่ล่ามสด ส่วน Qwen-Audio-3.1 เป็นตระกูลห้าโมเดลสำหรับแอปที่ต้องฟัง วิเคราะห์ สร้าง หรือโต้ตอบด้วยเสียง 3
14
แปลสด: Qwen3.8-LiveTranslate
โมเดลนี้ทยอยแปลเสียงพูดขณะที่ต้นฉบับยังดำเนินอยู่ Alibaba ระบุว่าสถาปัตยกรรม Interleave ช่วยให้คำแปลรักษาความหมายได้ดีขึ้น ลื่นไหลขึ้น และกระชับขึ้น พร้อมลดค่า LAAL ซึ่งเป็นตัวชี้วัดความหน่วงเฉลี่ยของการแปล จากราว 2.8 เหลือ 2.3 วินาที หรือเร็วขึ้นประมาณครึ่งวินาที ตัวเลขและการปรับปรุงคุณภาพเหล่านี้เป็นข้อมูลที่บริษัทรายงาน ยังไม่ใช่ผลทดสอบอิสระ 3
7
สำหรับบทสนทนาหลายคน Alibaba ระบุว่าโมเดลแยกผู้พูดได้แบบเรียลไทม์ แสดงข้อความต้นฉบับกับคำแปลให้สอดคล้องกัน และอาศัยบริบทก่อนหน้าเพื่อช่วยตีความถ้อยคำที่กำกวม เอกสาร Model Studio ของ Alibaba Cloud จัดให้โมเดลนี้อยู่ในกลุ่มงานล่ามพร้อมพูดและแปลสด 7
1
ห้าโมเดล Qwen-Audio-3.1 เลือกตามงานที่ต้องทำ
Qwen ระบุว่าชุดนี้อัปเกรดความสามารถเดิมสามด้าน ได้แก่ ASR, TTS และ Realtime พร้อมเพิ่ม ASR-Next กับ TTS-Next อีกสองโมเดล 14
- Qwen-Audio-3.1-ASR: แปลงเสียงพูดเป็นข้อความ เหมาะกับงานถอดเสียง
14
26
- Qwen-Audio-3.1-ASR-Next: ไปไกลกว่าการถอดคำพูด โดยระบุผู้พูด จับคู่ข้อความกับเวลา และวิเคราะห์อารมณ์หรือเสียงที่ไม่ใช่คำพูด เพื่อนำไปใช้กับงานอย่างการบรรยายเสียงและตอบคำถามเกี่ยวกับคลิปเสียง
- Qwen-Audio-3.1-TTS: สร้างเสียงพูดจากข้อความ Qwen ระบุว่ารองรับหลายภาษาและสำเนียง พร้อมปรับลักษณะการพูด เช่น อารมณ์ ความเร็ว และสไตล์ได้
- Qwen-Audio-3.1-Realtime: ใช้สนทนาโต้ตอบด้วยเสียง โดย Alibaba Cloud ยกผู้ช่วยเสียงและบทสนทนางานบริการลูกค้าเป็นตัวอย่างการใช้งาน
1
- Qwen-Audio-3.1-TTS-Next: สร้างเสียงประกอบฉากได้มากกว่าเสียงพูดเพียงอย่างเดียว Alibaba ระบุว่าสามารถสร้างบทสนทนา เสียงเอฟเฟกต์ และเสียงบรรยากาศร่วมกันในรอบเดียว จากข้อมูลอย่างข้อความ เวลากำกับ และเสียงอ้างอิง
จุดต่างที่ควรจำ: TTS ใช้สร้างเสียงพูดจากข้อความ ขณะที่ TTS-Next มุ่งสร้างองค์ประกอบเสียงหลายชนิดให้เป็นฉากเดียว Alibaba เสนอการใช้งานกับหนังสือเสียง ภาพยนตร์และโทรทัศน์ พอดแคสต์ และเกม แต่การเป็นเครื่องมือสำหรับงานสร้างสรรค์ไม่ได้หมายความว่าเสียงที่ได้จะพร้อมใช้ในงานผลิตทุกกรณีโดยไม่ต้องแก้ไข 3
24
Studio Global AI
ทำการวิจัยต่อ
หน้านี้รวมคำตอบที่ได้รับการสนับสนุนจากแหล่งที่มาซึ่งคุณสามารถดำเนินการต่อภายใน Studio Global
คนยังถาม
คำตอบสั้น ๆ สำหรับ "โมเดลเสียง Alibaba ใน Apsara 2026 ทำอะไรได้บ้าง" คืออะไร
Qwen3.8 LiveTranslate แปลเสียงพูดระหว่างที่ผู้พูดยังพูดอยู่ โดย Alibaba ระบุว่าค่าความหน่วงเฉลี่ย LAAL ลดจากราว 2.8 เหลือ 2.3 วินาที [3][7]
ประเด็นสำคัญที่ต้องตรวจสอบก่อนคืออะไร?
Qwen3.8 LiveTranslate แปลเสียงพูดระหว่างที่ผู้พูดยังพูดอยู่ โดย Alibaba ระบุว่าค่าความหน่วงเฉลี่ย LAAL ลดจากราว 2.8 เหลือ 2.3 วินาที [3][7] Qwen Audio 3.1 มีห้าโมเดล แยกหน้าที่ตั้งแต่ถอดเสียงและสร้างเสียงพูด ไปจนถึงสนทนาด้วยเสียง วิเคราะห์เสียง และสร้างฉากเสียง [14][24]
แหล่งที่มา
malaymail.comAlibaba Unveils Roadmap on Full-Stack AI Strategy from Chips, Cloud Infrastructure, Models to Agents | Malay Mail