Alibaba Qwenチーム、60言語対応・遅延2.8秒のリアルタイム多モーダル翻訳モデル「Qwen3.5-LiveTranslate-Flash」を発表

AlibabaのQwenチームは、音声と動画を同時処理するリアルタイム多モーダル翻訳モデルQwen3.5-LiveTranslate-Flashをリリースした。60の入力言語に対応し、2.8秒の遅延で29言語の音声出力を提供する。前バージョンからの主な追加機能は、リアルタイム話者音声クローン、唇の動きや画面テキストによる視覚強化理解、ドメイン固有用語の動的キーワード設定。FLEURSとCoVoST2ベンチマークで、主要な商用代替品を上回る性能を示した。API限定モデルとしてAlibaba Cloud Model StudioからWebSocketベースのプロトコルで利用可能。