Qwen3.5-LiveTranslate-Flash — reaaliaikainen tulkkaus 60 kielellä 2,8 sekunnin viiveellä

📅 Päivitetty 13.9.2026

Alibaban Qwen-tiimi julkaisi 20. toukokuuta 2026 uuden reaaliaikaisen käännösmallin, joka nostaa riman huomattavasti korkeammalle. Qwen3.5-LiveTranslate-Flash kääntää puhetta ja videota 60 kielellä vain 2,8 sekunnin viiveellä — ja säilyttää samalla puhujan alkuperäisen äänen.

Mikä tekee tästä erityisen?

LiveTranslate-Flash ei ole pelkkä päivitys. Se on täysin uusi lähestymistapa reaaliaikaiseen tulkkaukseen:

1. Multimodaalinen syöte — ääni ja video samanaikaisesti

Malli ei kuuntele pelkkää ääntä. Se analysoi samanaikaisesti videokuvaa: huuliliikkeitä, eleitä ja ruudulla näkyvää tekstiä. Kun sana on foneettisesti monitulkintainen (esim. ”kuusi” = numero tai puu), visuaalinen konteksti ratkaisee.

2. ”Reading units” — ei odoteta koko lausetta

Perinteiset käännösmallit odottavat, että puhuja lopettaa lauseen. Qwen3.5-LiveTranslate-Flash käyttää reading units -tekniikkaa: se päättää itse, milloin kontekstia on tarpeeksi, ja aloittaa käännöksen välittömästi. Tämä on suurin yksittäinen syy 2,8 sekunnin latenssiin.

3. Äänen kloonaus — ei robottiääntä

Useimmat käännösjärjestelmät korvaavat puhujan äänen geneerisellä synteesiäänellä. LiveTranslate-Flash kloonaa alkuperäisen puhujan äänenpiirteet. Lopputulos kuulostaa siltä kuin puhuja itse puhuisi kohdekieltä.

4. Dynaaminen sanasto — brändit, lääketiede, laki

Kehittäjät voivat injektoida reaaliajassa räätälöityjä sanastoja: brändinimiä, lääketieteellisiä termejä, juridista sanastoa. Malli priorisoi nämä termit automaattisesti. Käytännössä tämä tarkoittaa, että esimerkiksi NVIDIA käännetään oikein sen sijaan että malli keksisi ”Nvidian” tilalle jotain muuta.

Tekniset speksit

• Syötekielet: 60 kieltä (edellisessä Qwen3-versiossa 18 — yli 3× laajennus)
• Puhe-ulostulo: 29 kieltä
• Viive: 2,8 sekuntia
• Syötteet: ääni + base64-koodatut JPEG-videoframet
• Benchmarkit: Päihittää kaupalliset kilpailijat FLEURS- ja CoVoST2-testeissä
• Saatavuus: API-only, Alibaba Cloud (DashScope)
• Malli: Suljettu, ei avointa lähdekoodia

Kenelle tämä on tarkoitettu?

LiveTranslate-Flash on suunniteltu ensisijaisesti kehittäjille, jotka rakentavat reaaliaikaisia monikielisiä sovelluksia:

• Asiakaspalvelu: Monikielinen chatbot, joka ymmärtää asiakkaan omaa kieltä ja vastaa sillä — omalla äänellään
• Videopuhelut: Zoomin, Teamsin tai Meetin kaltaiset alustat, joissa tulkkaus tapahtuu reaaliajassa
• Koulutus: Luentojen ja webinaarien automaattinen monikielinen tekstitys ja puhetulkkaus
• Terveydenhuolto: Potilaan ja lääkärin välinen tulkkaus ilman kolmatta osapuolta

Mitä tämä tarkoittaa suomalaiselle yrittäjälle?

Vaikka LiveTranslate-Flash on API-pohjainen kehittäjätyökalu, sen vaikutukset näkyvät nopeasti kuluttajatuotteissa. Suomalaiset yritykset, jotka toimivat kansainvälisillä markkinoilla, voivat hyödyntää tätä teknologiaa asiakaspalvelussa, markkinoinnissa ja myynnissä.

Käytännön esimerkki: suomalainen verkkokauppa voi tarjota reaaliaikaista videotulkkaus-chattia japanilaisille asiakkaille ilman ihmistulkkia. Japanilainen asiakas puhuu japania, suomalainen myyjä suomea — ja Qwen3.5-LiveTranslate-Flash hoitaa loput 2,8 sekunnissa.

Arvosana: ★★★★☆ (4.5/5) — Teknisesti vaikuttava, mutta suljettu malli ja API-only rajoittavat saatavuutta.

Lähteet: Qwen blog, MarkTechPost

Aiheeseen liittyvää

• Paras pilvipalvelu yrittäjälle 2026 — 8 palvelun vertailu

Usein kysytyt kysymykset

Mikä on Qwen3.5-LiveTranslate-Flash?

Se on Alibaban Qwen-tiimin 20. toukokuuta 2026 julkaisema reaaliaikainen käännösmalli, joka kääntää puhetta ja videota 60 kielellä. Malli säilyttää samalla puhujan alkuperäisen äänen.

Kuinka nopea Qwen3.5-LiveTranslate-Flash on?

Sen viive on 2,8 sekuntia. Nopeus perustuu reading units -tekniikkaan: malli päättää itse, milloin kontekstia on tarpeeksi, eikä odota koko lauseen loppumista.

Kuinka montaa kieltä malli tukee?

Syötekieliä on 60, kun edellisessä Qwen3-versiossa niitä oli 18 — yli kolminkertainen laajennus. Puhe-ulostuloa tuetaan 29 kielellä.

Kloonaako malli puhujan oman äänen?

Kyllä. Ääntä ei korvata geneerisellä synteesiäänellä, vaan LiveTranslate-Flash kloonaa alkuperäisen puhujan äänenpiirteet, jolloin lopputulos kuulostaa siltä kuin puhuja itse puhuisi kohdekieltä.

Miksi videokuva on mukana käännöksessä?

Malli ei kuuntele pelkkää ääntä, vaan analysoi samanaikaisesti huuliliikkeitä, eleitä ja ruudulla näkyvää tekstiä. Visuaalinen konteksti ratkaisee esimerkiksi foneettisesti monitulkintaisen sanan, joka voi tarkoittaa eri asioita.

Mistä mallin saa ja onko se avointa lähdekoodia?

Malli on saatavilla ainoastaan API:n kautta Alibaba Cloudissa (DashScope), ja se on suljettu, eli avointa lähdekoodia ei ole.