阿里巴巴Qwen团队推出Qwen3.5-LiveTranslate-Flash：支持60种语言、延迟仅2.8秒的实时多模态翻译模型

阿里巴巴Qwen团队发布了Qwen3.5-LiveTranslate-Flash，这是一款实时多模态翻译模型，可同时处理音频和视频。该模型支持60种输入语言，并以2.8秒的延迟输出29种语言的语音。相比上一版本，新增了实时说话人声音克隆、通过唇形和屏幕文本增强视觉理解，以及动态关键词配置以处理领域特定术语。在FLEURS和CoVoST2基准测试中，该模型表现优于主要商业替代品。该模型通过阿里云百炼平台以API形式提供，使用WebSocket协议。