Giải mã Qwen3.8-LiveTranslate và bộ năm mô hình Qwen-Audio-3.1

Nếu cần dịch ngay khi ai đó đang nói, mô hình đáng chú ý là Qwen3.8-LiveTranslate. Nếu cần xây dựng ứng dụng dùng giọng nói hoặc tạo nội dung âm thanh, Alibaba giới thiệu bộ năm mô hình Qwen-Audio-3.1. Đó là hai hướng sử dụng khác nhau trong các công bố quanh hội nghị công nghệ Apsara 2026. 314

Phiên dịch trực tiếp: Qwen3.8-LiveTranslate

Qwen3.8-LiveTranslate tạo bản dịch khi lời nói vẫn đang được tiếp nhận. Alibaba cho biết kiến trúc Interleave giúp bản dịch sát nghĩa, trôi chảy và ngắn gọn hơn, đồng thời giảm LAAL — chỉ số đo độ trễ trung bình của bản dịch — từ khoảng 2,8 xuống 2,3 giây. Mức chênh lệch là 0,5 giây, tương đương gần 18%. Đây là đánh giá và số liệu do công ty công bố, không phải kết quả kiểm chứng độc lập. 37

Với cuộc trò chuyện nhiều người, Alibaba mô tả khả năng phân biệt người nói theo thời gian thực, hiển thị đồng bộ lời gốc và bản dịch, đồng thời dựa vào ngữ cảnh trước đó để xử lý cách diễn đạt mơ hồ. Tài liệu Model Studio của Alibaba Cloud liệt kê phiên dịch đồng thời và dịch trực tiếp là các trường hợp sử dụng của mô hình này. 71

Năm mô hình Qwen-Audio-3.1 khác nhau ở đâu?

Theo Qwen, bộ Audio 3.1 gồm ba năng lực được nâng cấp — ASR, TTS và Realtime — cùng hai mô hình mới là ASR-Next và TTS-Next. Hiểu đơn giản, ASR nhận dạng lời nói, còn TTS biến văn bản thành giọng nói. 14

• Qwen-Audio-3.1-ASR: Chuyển lời nói thành văn bản, phù hợp cho tác vụ chép lời. 1426
• Qwen-Audio-3.1-ASR-Next: Không chỉ chép lời mà còn có thể gắn nhãn người nói, khớp văn bản với mốc thời gian, phân tích cảm xúc và nhận biết âm thanh không phải lời nói để mô tả hoặc trả lời câu hỏi về đoạn âm thanh. 14
• Qwen-Audio-3.1-TTS: Tạo giọng nói từ văn bản. Qwen cho biết mô hình hỗ trợ nhiều ngôn ngữ, phương ngữ và cho phép điều chỉnh cảm xúc, tốc độ, phong cách thể hiện. 14
• Qwen-Audio-3.1-Realtime: Phục vụ hội thoại bằng giọng nói có tính tương tác; Alibaba Cloud nêu trợ lý giọng nói và trao đổi với khách hàng là những trường hợp sử dụng. 141
• Qwen-Audio-3.1-TTS-Next: Tiến xa hơn việc chỉ đọc văn bản thành tiếng: theo Alibaba, mô hình có thể tạo lời thoại, hiệu ứng và âm thanh nền trong một lượt từ các đầu vào như văn bản, mốc thời gian và âm thanh tham chiếu. 24

TTS-Next là điểm phân biệt rõ nhất giữa tổng hợp giọng nói và sản xuất một cảnh âm thanh. Alibaba định hướng khả năng này cho sách nói, phim và truyền hình, podcast, trò chơi. Đó là mục đích sử dụng mà hãng đề xuất, không có nghĩa âm thanh tạo ra sẽ đáp ứng mọi yêu cầu sản xuất mà không cần biên tập. 324