AI 同传杀到 2.3 秒,翻译软件的苦日子来了

QUOTE

翻译的终点不是「翻得对」，而是「听得懂、跟得上、像人话」。

—— 冲浪信号

上周开了一场跨国会议，对面德国同事噼里啪啦讲了一分钟，这边的实时翻译字幕还停在半句上。等字幕追上来，人家已经讲到下一个议题了。

那一刻我真的在想：同声传译这东西，什么时候才能真的不拉胯？

没想到，答案来得比想象中快。

本文看点

9 月 19 日，阿里千问发布了同声传译大模型 Qwen3.8-LiveTranslate，专门干一件事：实时同传。

核心变化就一个数字——字均延迟从 2.8 秒降到 2.3 秒。

可能有人觉得，0.5 秒而已，有啥好吹的？

但你要知道，人类专业同传译员的延迟，也就在 2 秒上下。AI 把延迟压到 2.3 秒，意味着它已经摸到了人类同传的水平线，而且是全天候在线、不喝水不上厕所的那种。

翻译行业那句话怎么说来着：同传拼的不是词库，是「开口的时机」。翻得再准，慢了半拍，信息就断在空气里了。

而 2.3 秒这个数字，是模型架构重新设计的结果，不是简单堆参数堆出来的。它靠的是 Interleave 架构，把「听」和「译」揉进同一条流水线里，边听边译，而不是听完一整句再动手。

— 字均延迟（LAAL）对比

光快还不够，翻译得准、听得懂、有上下文，才是真本事。这次千问一口气加了三个能力：

第一，实时说话人分离。会议里四个人轮着说，谁说的哪句话，分得清清楚楚，音色还能保持稳定。再也不用担心「这句话到底是谁讲的」。

这个能力有多实用？你去开一次有多方参会的线上会就知道——字幕上全是「说话人1、说话人2」，根本对不上人，等于白翻。

第二，原文译文同帧同出。双语同屏，字幕原文在上、译文在下，两边对照着看。这对学外语的人来说简直是福利，还能顺手纠正自己听错的词。

第三，长上下文消歧。联系前文理解当下——人名、专业术语这种「单词都认识、连起来不知道在说啥」的东西，翻译精度上了一个台阶。

比如上周那个会，德国同事说了个「Lieferkette」，直译是「交付链」，其实是供应链的意思。没有上下文，机翻能给你翻成「交货的链子」。

说白了，这不再是逐句翻译，而是带着语境的「理解性翻译」。

— 说话人分离示意

听不懂「Interleave 架构」「Hybrid MoE」没关系，我用大白话给你翻译一下。

以前做同传，是「听一句→翻译一句→再说一句」三步走，每步都有延迟，叠起来就卡。

Qwen3.8-LiveTranslate 用的是 Thinker–Talker 双模块：Thinker 负责把视频、音频、原文、译文编进同一条时间线，边听边理解边出译文；Talker 负责把译文说出去，还能保留原说话人的音色。

对，你没看错——AI 同传出来的声音，是你的音色、说外语。这就不只是「翻译」，是「替你开口」。

想象一下：你用中文说话，对面老外听到的是自己的母语，而且声音还是你的。这种体验放在两年前，只会出现在科幻片里。

评测上也不虚：在覆盖 14 个语向的多说话人长音频评测集上，翻译忠实度、流畅度、简洁度、说话人分离错误率四个维度，都优于行业主流实时同传系统。在 FLEURS 音频测试集的 70 个语言方向上，同样全面领先上一代。

你可能会说，我又不开国际会议，跟我有啥关系？

关系大了。同传是 AI 里少有的、普通人立刻能用上的能力。

而且这代模型是「开源党的老朋友」千问出的，体验链接已经开放，API 同步上线。不是 PPT 产品，是真能上手试的那种。

— 双语字幕，实时跟读

先算笔账。一线城市同传译员按天收费，一天四五千起步，国际会议更贵，动辄上万。这还只是请得起同传的公司才能享受的服务。

而 AI 同传的边际成本，趋近于零。

这不是说同传译员要失业，而是说「实时翻译」这件事，第一次从少数人的特权，变成了人人可得的默认能力。这种下沉，历史上每次都会带来一波新的使用场景——就像当年在线翻译让「查词」不再需要翻字典一样。

再说回产品本身。AI 同传这条路，几家公司都在卷。但这次千问给行业提了个醒：翻译的终点不是「翻得对」，而是「听得懂、跟得上、像人话」。

2.3 秒的延迟，背后是模型架构的重新设计。这说明国产模型在「实时交互」这类硬场景上，已经能正面掰手腕了。

当然，延迟 2.3 秒不等于完美。方言、口音、嘈杂环境，都还是待解决的难题。同传这行也不会一夜消失——越是高规格的商务谈判、国际会议，越需要人来兜底。但方向对了，剩下的只是时间问题。

翻译软件的苦日子，可能真的要来了。