Alibaba、60言語対応のリアルタイム音声翻訳モデル Qwen3.8‑LiveTranslate を発表

2026年9月19日、AlibabaのQwen部門は新たなマルチモーダルライブ翻訳モデル、Qwen3.8‑LiveTranslateを正式に発表しました。このモデルは音声ストリームをリアルタイムで受信し、必要に応じて画像データを併せて処理でき、話者が話し続ける間にテキストと音声の両方を同時に出力します。

主な技術的特徴

本モデルは独自の「Interleave」アーキテクチャを採用し、Alibabaの公式情報によると、平均レイテンシ（LAAL）を2.8秒から2.3秒へと約18％短縮できるとされています。ただし、外部の独立ベンチマークは未公表です。

Qwen3.8‑LiveTranslateは合計60言語に対応し、そのうち29言語で音声合成が利用可能です。残りの31言語はテキストのみの翻訳となります。スピーカーダイアリゼーション、同期二言語字幕、長文コンテキストにおける曖昧性解消機能を備え、複雑な会話シナリオでも精度向上を図ります。

APIアクセスと料金体系

開発者はAlibaba Cloud Model Studio上のWebSocketエンドポイント（識別子：qwen3.8-livetranslate-flash-realtime）を通じてサービスへ接続できます。コンテキストウィンドウは53 248トークンで、入力に49 152トークン、出力に4 096トークンが割り当てられます。

• 音声入力：1百万トークンあたり7.50ドル
• 画像入力：1枚あたり0.55ドル
• テキスト出力：1百万トークンあたり20ドル
• 音声出力：1百万トークンあたり30ドル
• リリース時点では関数呼び出し、構造化出力、バッチ処理、ファインチューニングは未対応

リリース時の制限事項

現在のサービスは関数呼び出し、構造化出力、バッチ処理、ファインチューニングをサポートしていません。これらの制約は、カスタマイズ性の高いパイプラインや大規模バッチ翻訳を必要とする企業に影響を及ぼす可能性があります。

独立したレイテンシテストが公表されていないため、ミッションクリティカルな導入前に社内で性能評価を行うことが推奨されます。特にライブイベントや多言語カスタマーサポートなど、リアルタイム性が求められるケースではネットワーク環境の検証が重要です。

Alibabaの課金モデルは音声入力とテキスト出力を別々に計算する方式です。そのため、音声合成を頻繁に利用するシナリオではコストが上昇する恐れがあります。企業はリアルタイム音声出力と低コストのテキストのみ代替手段とのトレードオフを慎重に検討する必要があります。

53 248トークンという大容量コンテキストウィンドウは、競合モデルと比較しても優位性があります。これにより、数分にわたる議論や法的手続き、技術ブリーフィングなど、長時間の文脈保持が求められるシナリオでの解釈精度が向上します。

日本市場へのインパクト

日本企業にとって、Qwen3.8‑LiveTranslateはWebSocket経由で既存のコミュニケーションプラットフォームに容易に統合できるプラグアンドプレイ型ソリューションです。会議やウェビナー、サポートコールにおいて事前録音不要で同時通訳が可能となり、60言語にわたるインクルーシブな対話を実現します。

特に国内の多国籍企業や観光業界では、リアルタイム翻訳の導入が顧客体験向上に直結すると見込まれます。導入コストとレイテンシ削減効果を比較検討し、既存の翻訳ベンダーとの併用や置き換えを検討する企業が増えるでしょう。

一方で、音声合成が利用できない31言語については、テキスト翻訳のみとなるため、音声対応が必須のシーンでは代替手段を別途用意する必要があります。日本語から英語への音声出力は利用可能ですが、逆方向や他言語への音声出力は制限があります。

総合的に見て、Qwen3.8‑LiveTranslateはレイテンシの改善と大規模コンテキスト保持という点で競争力を持ちますが、機能制限とコスト構造が導入判断の鍵となります。各企業は自社のユースケースに合わせて、リアルタイム音声出力の価値と費用を慎重に評価すべきです。

本稿は2026年9月20日に東京で開催されたAlibaba主催のテクニカルセミナーで得られた情報を基に作成しました。