โมเดลแปลเสียงสดของ Alibaba รับเข้าทั้งเสียงและภาพ ตอบออกเป็นข้อความกับเสียงพูด รองรับ 60 ภาษา ความหน่วงราว 2.3 วินาที เรียกผ่าน WebSocket Realtime API

ตัวนี้เก่งเรื่องอะไร งานหลักของเขาคือแปลสดแบบหลายภาษาครับ ฟังเข้าใจภาษาต้นทางได้ 60 ภาษา แล้วพูดกลับออกมาเป็นเสียงได้ 29 ภาษา ทาง QwenCloud ระบุว่าความหน่วงจากต้นทางถึงปลายทางราว 2.3 วินาที นอกจากนี้ยังแยกว่าประโยคไหนใครพูด (speaker diarization) พร้อมถอดเสียงเป็นข้อความ (ASR) โดยเปิดมาให้แล้วทั้งสองอย่าง ไม่ต้องไปนั่งตั้งค่าเพิ่ม

ขนาดบริบทกับราคา หน้าต่างบริบทยาว 53,248 โทเคน รับข้อมูลเข้าได้สูงสุด 49,152 และตอบออกได้ถึง 4,096 โทเคน ราคาโซน Singapore กับ International คิดเป็นดอลลาร์ต่อล้านโทเคน เสียงเข้า 7.5 ภาพเข้า 0.55 ข้อความออก 20 เสียงออก 30 ถ้าใช้โซน Beijing จะถูกลงหน่อย เสียงเข้า 5.653 ภาพเข้า 0.466 ข้อความออก 14.133 เสียงออก 22.613

อย่าสับสนกับรุ่นอื่นนะครับ รุ่นนี้ชื่อ Qwen3.8-LiveTranslate-Flash-Realtime ไม่ใช่ Qwen3.8-Omni-Flash นะครับ ชื่อคล้านกันแต่คนละตัว ตัวนี้ทุ่มเรื่องแปลสดโดยเฉพาะ เรียกใช้ได้ผ่าน Alibaba Cloud Model Studio ด้วย WebSocket Realtime API เลยครับ

ราคา	7.5 / 20 ดอลลาร์ต่อล้าน
หน้าต่างบริบท	5.3 หมื่นโทเคน
งานหลัก	แปลเสียงและวิดีโอสดหลายภาษา