阿里巴巴雲棲大會音訊模型懶人包：即時同傳與 Qwen-Audio-3.1 有咩分別？

同樣係處理聲音，「聽住翻譯」同「製作音訊」其實係兩回事。阿里巴巴在 2026 年雲棲大會前後介紹的音訊模型，可分成兩組：Qwen3.8-LiveTranslate 負責講者說話期間的即時傳譯；Qwen-Audio-3.1 則有五款模型，分別處理辨識、合成、對話、理解及創作音訊。314

LiveTranslate：講者未講完，譯文已經跟上

Qwen3.8-LiveTranslate 針對同聲傳譯，會隨住語音輸入產生翻譯。阿里巴巴稱，模型採用 Interleave 架構，令翻譯更忠於原意、更流暢簡潔；以 LAAL（平均翻譯滯後時間的指標） 計，延遲由約 2.8 秒降至 2.3 秒，即減少約半秒、約 18%。翻譯質素與速度的改善均屬阿里巴巴公布的數字和說法，並非獨立測試結果。37

如果有幾個人輪流發言，阿里巴巴稱模型可即時分辨講者、同步顯示原文與譯文，亦會參考前文理解有歧義的說法。阿里雲 Model Studio 的文件把同聲傳譯和即時翻譯列為這款即時模型的用途。71

Qwen-Audio-3.1：五款模型點分工？

Qwen 把 Audio 3.1 分成三項升級能力——ASR、TTS、Realtime——再加兩款新模型 ASR-Next 和 TTS-Next。簡單講，揀邊款要睇你想將聲變字、將字變聲、同用戶傾偈，定係製作一段完整聲景。14

• Qwen-Audio-3.1-ASR：語音轉文字。 ASR 即自動語音辨識，主要用來把說話轉成文字紀錄。1426
• Qwen-Audio-3.1-ASR-Next：聽得比逐字轉錄更多。 除了為不同講者加標籤、把文字對齊時間點，Qwen 稱它亦可分析情緒與非語音聲響，用於描述聲音或回答音訊相關問題。14
• Qwen-Audio-3.1-TTS：文字轉語音。 TTS 即語音合成；Qwen 稱它支援多種語言和方言，並可調節情緒、語速及表達風格。14
• Qwen-Audio-3.1-Realtime：即時語音互動。 用途包括語音助手和客戶服務對話，而唔係專門做同聲傳譯。141
• Qwen-Audio-3.1-TTS-Next：製作更完整的音訊場景。 阿里巴巴稱，它可根據文字、時間標記和參考音訊等輸入，單次生成對白、音效及環境聲。24

TTS 同 TTS-Next 最大分別，在於後者唔止生成「有人講嘢」的聲音。 阿里巴巴把由劇本製作完整聲景的能力，定位於有聲書、影視、Podcast 和遊戲等創作場景。不過，呢啲係官方提出的預期用途，唔代表生成出來的音訊毋須剪輯，就一定符合所有製作要求。324