概要
Alibabaの多言語リアルタイム音声・映像同時通訳モデル。音声と画像を入力し、翻訳テキストと音声を出力する。音声入力とテキスト出力は60言語、音声出力は29言語に対応し、日本語はいずれにも含まれる。音声入力は必須で、画像入力は任意。(qwen.ai)
主な能力と用途
- 話者をリアルタイムで区別し、発言者の識別情報を返す。話者の声色を保つ音声生成にも対応する。
- 原文と訳文を同期して出力でき、字幕表示や原文の確認に利用できる。
- 過去の文脈を参照し、固有名詞や指示語の曖昧さを軽減する。画像情報も翻訳の補助に利用できる。
- 音声とテキストを交互に扱うInterleave方式を採用。公式発表では、平均遅延指標LAALが前世代の2.8秒から2.3秒に低下したと報告している。これは評価結果であり、個々の利用時の遅延を保証するものではない。(qwen.ai)
- Realtime APIをAOQ、WebRTCまたはWebSocketで利用できる。(help.aliyun.com)
制限
- コンテキスト長は53,248トークン、最大入力は49,152トークン、最大出力は4,096トークン。(docs.bailian.console.aliyun.com)
- 音声出力の対応言語数は入力側より少ない。公式モデル情報では、Function Calling、構造化出力、Web検索、コンテキストキャッシュ、バッチ推論、モデルのファインチューニングは非対応とされる。(help.aliyun.com)
- 公式発表は、セッションをまたぐ長期記憶を今後の方向性として挙げており、現行機能としては確認できない。(qwen.ai)
料金
以下は当該モデルの通常API料金で、単位はいずれも100万トークンあたり。音声・画像入力と、テキスト・音声出力を区別して課金する。地域・提供サイトごとの料金であり、通貨換算した同一プランではない。
| 提供サイト・地域 | 通貨 | 音声入力 | 画像入力 | テキスト出力 | 音声出力 |
|---|---|---|---|---|---|
| 阿里云百炼・中国(北京) | CNY | 40 | 3.3 | 100 | 160 |
| 阿里云百炼・シンガポール、国際デプロイ | CNY | 54.688 | 4.01 | 145.835 | 218.752 |
| Alibaba Cloud Model Studio国際サイト・シンガポール、国際デプロイ | USD | 7.5 | 0.55 | 20 | 30 |
| Alibaba Cloud Model Studio国際サイト・中国(北京) | USD | 5.653 | 0.466 | 14.133 | 22.613 |
国内サイトの北京地域には100万トークンの無料枠が記載され、有効期間はサービス開通日・モデル公開日・申請承認日のうち最も遅い日から90日間。国内サイトのシンガポール地域には無料枠がない。国際サイトでは、シンガポール地域に100万トークンの無料枠が記載され、北京地域には無料枠がない。期間限定キャンペーンは上記通常料金に含まれない。(help.aliyun.com)
料金の公式出典: 阿里云百炼・国内料金表/Alibaba Cloud Model Studio・国際料金表。確認日:2026年11月16日。(help.aliyun.com)
公開日と公式発表
公式発表日:2026年9月18日。Qwen公式発表。ページを直接開いた際には本文を抽出できなかったため、同ページの検索インデックスに掲載された本文を確認した。(qwen.ai)