Qwen3.8-LiveTranslate: ล่ามพร้อมกันผ่าน API ที่แยกผู้พูดได้เอง ลดความหน่วงเฉลี่ยจาก 2.8 เหลือ 2.3 วินาที พูดออกเสียงได้ 29 ภาษารวมภาษาไทย — แต่ยังเป็นโมเดลปิด

ทีม Qwen ของ Alibaba เปิดตัว Qwen3.8-LiveTranslate เมื่อวันที่ 19 ก.ย. 2026 เป็นโมเดลล่ามพร้อมกัน (simultaneous interpretation) ที่ฟังเสียงพูดสด ๆ แล้วส่งคำแปลกลับมาทั้งข้อความและเสียงในขณะที่ผู้พูดยังพูดไม่จบ โดยจะดูภาพจากวิดีโอประกอบด้วยก็ได้ ตัวที่เปิดให้เรียกใช้คือ qwen3.8-livetranslate-flash-realtime บน QwenCloud และ Alibaba Cloud Model Studio

ประกาศของ Qwen บอกว่าสถาปัตยกรรมใหม่ชื่อ Interleave ทำให้แปลตรงกว่า ลื่นกว่า และกระชับกว่าเดิม และลดความหน่วงเฉลี่ย (LAAL, Length-Adaptive Average Lagging) จาก 2.8 วินาทีเหลือ 2.3 วินาที ครอบคลุม 60 ภาษา สิ่งที่นักพัฒนาควรรู้ก่อนเลยคือ ไม่มีน้ำหนักเปิด ใช้ได้ผ่าน API อย่างเดียว

ความสามารถใหม่ 3 อย่าง

ตามประกาศของ Qwen:

• แยกผู้พูดแบบเรียลไทม์ (speaker diarization) — แยกได้ว่าใครพูดในวงสนทนาหลายคน และโคลนเสียงแต่ละคนได้เสถียรขึ้น คำแปลจึงออกมาเป็นเสียงของคนพูดคนนั้นเอง
• แสดงผลสองภาษาคู่กัน — ขึ้นต้นฉบับกับคำแปลบนจอพร้อมกัน ใน API ข้อความถอดเสียงต้นฉบับจะส่งมาเป็น event แยกจากสตรีมคำแปล
• ใช้บริบทยาวแก้ความกำกวม — ดูประวัติการสนทนาเพื่อแปลชื่อคนและศัพท์เฉพาะให้คงที่ ชื่อที่ถูกพูดตอนต้นประชุมจะแปลเหมือนเดิมตอนท้ายประชุม

เอกสาร Model Studio ระบุว่าโมเดล เข้าใจ 60 ภาษา และพูดออกเสียงได้ 29 ภาษา ส่วนอีก 31 ภาษาได้เฉพาะข้อความ คู่มือ real-time translation ที่ใช้ร่วมกันระหว่างรุ่น 3.5 และ 3.8 จัด ภาษาไทย (th) อยู่ในกลุ่มที่ได้ทั้งเสียงและข้อความ เช่นเดียวกับภาษาเวียดนาม อินโดนีเซีย และมาเลย์ ภาพที่ส่งเข้าไปช่วยให้แปลคำพ้องและชื่อเฉพาะได้ถูกขึ้น เช่นตัวอย่างในคู่มือที่คำว่า “mask” ถูกแปลเป็นหน้ากากอนามัยหรือหน้ากากงานเต้นรำตามภาพที่แนบ (ส่งภาพได้ไม่เกิน 2 ภาพต่อวินาที)

ใช้งานจริง: WebSocket, ค่าตั้งต้นเปลี่ยน, ราคา

• โปรโตคอล: รุ่น 3.8 ใช้ได้เฉพาะ WebSocket Realtime API ส่วนรุ่น 3.5 ยังรองรับ AOQ และ WebRTC ด้วย ซึ่งคู่มือแนะนำ AOQ ถ้าต้องการความหน่วงคงที่บนเครือข่ายที่ไม่เสถียร
• ไม่เข้ากันกับของเดิม: เอกสารเตือนว่า parameter และ event ของ 3.8 ต่างจาก qwen3.5-livetranslate-flash-realtime และค่าตั้งต้นของ turn detection เปลี่ยนเป็น speaker_detection คือให้ส่งเสียงเข้าไปต่อเนื่องแล้วเซิร์ฟเวอร์จะตัดรอบเอง ใครย้ายจาก 3.5 ต้องแก้โค้ดฝั่ง client
• โคลนเสียง: มี 3 โหมด คือใช้โปรไฟล์เสียงที่โคลนไว้ก่อน (never), โคลนครั้งเดียวตอนเริ่มเซสชัน (once) และโคลนใหม่ก่อนทุกคำตอบ (always) ซึ่งเหมาะกับวงที่มีผู้พูดหลายคน
• ขีดจำกัด: context 53K โทเคน (input สูงสุด 49K, output 4K), 10 RPM, 100K TPM
• ราคา (Singapore/international): เสียงขาเข้า $7.5, ภาพ $0.55, ข้อความขาออก $20, เสียงขาออก $30 ต่อ 1M โทเคน (ภูมิภาค Beijing ถูกกว่าราวหนึ่งในสี่)

เอกสารคิดโทเคนเสียงไว้ที่ 7 โทเคนต่อวินาทีสำหรับขาเข้า และ 12.5 โทเคนต่อวินาทีสำหรับขาออก คำนวณคร่าว ๆ ได้ว่าฟังต่อเนื่อง 1 ชั่วโมงเสียประมาณ $0.19 และถ้าโมเดลพูดคำแปลออกเสียงเต็มชั่วโมงจะเสียเพิ่มราว $1.35 (ยังไม่รวมโทเคนข้อความ) ตัวเลขนี้เป็นการคำนวณของเราจากตารางราคา ไม่ใช่ราคาต่อชั่วโมงที่ Alibaba ประกาศเอง

มุมมอง AI Curator

ตัวเลข 2.3 วินาทีน่าสนใจ เพราะอยู่ในช่วงที่มักอ้างกันว่าล่ามมืออาชีพใช้ (ราว 2–3 วินาทีระหว่างได้ยินกับพูดออกไป) แต่ต้องอ่านอย่างระวัง เพราะเป็นตัวเลขที่ Qwen วัดเอง และประกาศก็ไม่ได้บอกว่า 2.8 วินาทีนั้นคือรุ่นไหนหรือวัดบนชุดทดสอบอะไร ส่วนคุณภาพการแปลที่ “ดีขึ้น” ก็ยังไม่มีตัวเลขจากผู้ประเมินภายนอกให้ดู

สิ่งที่ผมคิดว่ามีผลกับนักพัฒนาไทยจริง ๆ คือ ภาษาไทยได้ทั้งเสียงและข้อความ และราคาคิดเป็นชั่วโมงแล้วถูกพอจะใช้กับงานจริงได้ เช่น ประชุมกับทีมจีน ญี่ปุ่น หรือเวียดนาม, สัมมนาออนไลน์ หรือ call center ข้ามภาษา ฟีเจอร์แยกผู้พูดและบริบทยาวตอบปัญหาที่ระบบแปลสดรุ่นก่อน ๆ มักพังตรงนี้ คือแปลชื่อลูกค้าหรือชื่อโปรเจกต์คนละแบบในแต่ละรอบ

แต่มีสองเรื่องที่ต้องคิดให้ดีก่อนนำไปใช้ หนึ่ง การโคลนเสียงแบบ always คือการเอาเสียงของทุกคนในห้องไปสร้างเสียงสังเคราะห์บนเซิร์ฟเวอร์ Alibaba ภายใต้ PDPA ของไทยควรแจ้งและขอความยินยอมจากผู้เข้าร่วมให้ชัด และสำหรับงานที่มีข้อมูลอ่อนไหวควรพิจารณาว่าจะใช้ภูมิภาคไหน สอง ค่าตั้งต้นและ event ที่เปลี่ยนจาก 3.5 ทำให้ย้ายรุ่นไม่ใช่แค่เปลี่ยนชื่อโมเดล และเพราะไม่มีน้ำหนักเปิด ถ้าต้องการแปลเสียงแบบรันในเครื่องหรือ on-prem ตอนนี้ก็ยังต้องมองทางเลือกอื่นอยู่ดี

แหล่งข่าว

• Qwen3.8-LiveTranslate-Flash-Realtime — QwenCloud (หน้าโมเดล, ราคา, ขีดจำกัด)
• qwen3.8-livetranslate-flash-realtime model information — Alibaba Cloud Model Studio
• Real-time audio/video translation guide (Qwen3.5/3.8 LiveTranslate) — Alibaba Cloud Model Studio
• ประกาศเปิดตัว Qwen3.8-LiveTranslate — Qwen บน X (19 ก.ย. 2026)