Qwen3.8-LiveTranslate চালু আছে

Qwen3.8-LiveTranslate হলো আলিবাবার টংই শিয়েন-এর প্রকাশিত একটি রিয়েল-টাইম সিমুলটেনিয়াস ইন্টারপ্রিটেশন বৃহৎ মডেল। এটি Interleave আর্কিটেকচার দিয়ে পুনর্গঠিত, প্রতি অক্ষরের গড় বিলম্ব ২.৮ সেকেন্ড থেকে কমে ২.৩ সেকেন্ড হয়েছে এবং ৬০টি ভাষা সমর্থন করে। মডেলটিতে রিয়েল-টাইম স্পিকার সেপারেশন ও ভয়েস ক্লোনিং, একই ফ্রেমে মূল ও অনুবাদ একসঙ্গে উপস্থাপন এবং দীর্ঘ কনটেক্সট-ভিত্তিক দ্ব্যর্থতা নিরসনের তিনটি প্রধান সক্ষমতা রয়েছে। এটি ভিডিও/অডিও ইনপুট শনাক্ত করতে পারে এবং এন্ড-টু-এন্ডভাবে দ্বিভাষিক টেক্সট ও মূল কণ্ঠস্বর বজায় রাখা অনূদিত অডিও আউটপুট দিতে পারে। আন্তঃদেশীয় সভা, সীমান্ত-পার লাইভস্ট্রিম, ভিডিও লোকালাইজেশনসহ বিভিন্ন ক্ষেত্রে এটি ব্যবহারযোগ্য এবং Qwen AI প্ল্যাটফর্মে API হিসেবে উন্মুক্ত করা হয়েছে।

রিয়েল-টাইম সিমুলটেনিয়াস ইন্টারপ্রিটেশন: Interleave আর্কিটেকচার-ভিত্তিক অডিও-টেক্সট সিঙ্গেল-স্ট্রিম প্রসেসিং, প্রতি অক্ষরে মাত্র ২.৩ সেকেন্ড বিলম্ব, শোনার সঙ্গে সঙ্গে অনুবাদ।
স্পিকার সেপারেশন: একাধিক ব্যক্তি পালাক্রমে কথা বললে স্বয়ংক্রিয়ভাবে প্রত্যেক বক্তাকে শনাক্ত করে এবং আলাদাভাবে তার কণ্ঠস্বর পুনর্নির্মাণ করে অনূদিত অডিও তৈরি করে।
একই ফ্রেমে দ্বিভাষিক আউটপুট: মূল বক্তব্য ও অনুবাদ একই সময়ে একই স্ক্রিনে প্রদর্শিত হয়, ফলে তাৎক্ষণিক বোঝাপড়া ও মূল বক্তব্য যাচাই সহজ হয়।
দীর্ঘ কনটেক্সট-ভিত্তিক দ্ব্যর্থতা নিরসন: পূর্ববর্তী প্রসঙ্গ বিবেচনা করে বর্তমান বাক্য বোঝে, ফলে নাম, পরিভাষা ও নির্দেশবাচক শব্দের অনুবাদ আরও নির্ভুল ও সামঞ্জস্যপূর্ণ হয়।
বহুভাষিক অনুবাদ: ৬০টি ভাষায় ইনপুট শনাক্তকরণ এবং ২৯টি ভাষায় ভয়েস আউটপুট সমর্থন করে।
ভিজ্যুয়াল তথ্যের সহায়তা: ভিডিও/ছবি ইনপুট সমর্থন করে এবং দৃশ্যের বিষয়বস্তু ব্যবহার করে অনুবাদের দ্ব্যর্থতা নিরসনে সহায়তা করে।

Interleave সিঙ্গেল-স্ট্রিম আর্কিটেকচার: Qwen3.8-LiveTranslate সিমুলটেনিয়াস ইন্টারপ্রিটেশনকে অডিও ও টেক্সটের আন্তঃবিন্যস্ত সিঙ্গেল-স্ট্রিম রূপে পুনর্গঠন করেছে। শোনা অডিও এবং তৈরি হওয়া অনুবাদ উভয়ই ক্যাশ করে পুনর্ব্যবহার করা হয়, ফলে প্রতিটি বাক্য শুরু থেকে প্রসেস করতে হয় না। অনুবাদের মান উন্নত করার পাশাপাশি প্রতি অক্ষরের গড় বিলম্ব ২.৮ সেকেন্ড থেকে কমিয়ে ২.৩ সেকেন্ড করা হয়েছে।
Thinker–Talker দ্বৈত-মডিউল নকশা: মডেলটি Hybrid MoE-ভিত্তিক Thinker–Talker কাঠামো ব্যবহার করে। Thinker ভিডিও, অডিও, মূল বক্তব্য ও অনুবাদকে একই কজাল সিকোয়েন্সে সাজিয়ে সময়ক্রম অনুযায়ী পর্যায়ক্রমে স্থাপন করে এবং এন্ড-টু-এন্ডভাবে বোঝাপড়া ও অনুবাদ সম্পন্ন করে। Talker অনুবাদ ও উৎস অডিও একত্র করে মূল বক্তার কণ্ঠস্বর বজায় রাখা অনূদিত অডিও তৈরি করে।
রিয়েল-টাইম স্পিকার সেপারেশন: একাধিক ব্যক্তি পালাক্রমে কথা বলার ক্ষেত্রে মডেলটি অনুবাদের আগে Diarization সম্পন্ন করে, প্রতিটি বাক্যকে নির্দিষ্ট বক্তার সঙ্গে যুক্ত করে এবং সেই অনুযায়ী Talker-কে ওই বক্তার কণ্ঠস্বর স্থিরভাবে পুনর্নির্মাণের নির্দেশ দেয়। ফলে অনূদিত অডিও শুনে কে কথা বলেছেন তা বোঝা যায়।
দীর্ঘ কনটেক্সট-ভিত্তিক দ্ব্যর্থতা নিরসন: মডেলটি ঐতিহাসিক কথোপকথনকে কনটেক্সট মডেলিংয়ে অন্তর্ভুক্ত করে এবং বিভিন্ন পালার তথ্যের সঙ্গে পূর্ববর্তী প্রসঙ্গের সম্পর্ক স্থাপন করে। এতে শুধু একটি বাক্যের ভিত্তিতে সিদ্ধান্ত নেওয়ার কারণে সৃষ্ট বিশেষ্য, ব্যক্তিনাম ও নির্দেশবাচক শব্দের অস্পষ্টতা এড়ানো যায় এবং দীর্ঘ বহুবক্তার কথোপকথনে পরিভাষা ও প্রকাশভঙ্গির সামঞ্জস্য বজায় থাকে।
দ্বিভাষিক সিঙ্ক্রোনাস আউটপুট ব্যবস্থা: আর্কিটেকচারের দিক থেকে মূল বক্তব্য ও অনুবাদ একই আন্তঃবিন্যস্ত সিকোয়েন্সে সমন্বিতভাবে তৈরি হয়। তাই এটি স্বাভাবিকভাবেই একই ফ্রেমে একসঙ্গে আউটপুট সমর্থন করে এবং দ্বিভাষিক সাবটাইটেল, কনটেন্ট সংগঠন ও অনুসন্ধানের মতো পরবর্তী অ্যাপ্লিকেশনে অতিরিক্ত অ্যালাইনমেন্ট প্রয়োজন হয় না।

https://omni.qwen.ai/live-translate ওয়েবসাইটটি খুলুন।
মাইক্রোফোনের অনুমতি দিন এবং উৎস ভাষা ও লক্ষ্য ভাষা নির্বাচন করুন।
সরাসরি কথা বলা শুরু করুন; রিয়েল-টাইম দ্বিভাষিক সাবটাইটেল দেখতে এবং অনুবাদ শুনতে পারবেন।
Qwen AI প্ল্যাটফর্মে লগইন করে API Key সংগ্রহ করুন।
https://www.qianwenai.com/models/qwen3.8-livetranslate-flash-realtime মডেলের রিয়েল-টাইম API কল করে অডিও স্ট্রিম পাঠান।
ফেরত পাওয়া দ্বিভাষিক টেক্সট ও অনূদিত অডিও গ্রহণ করলেই হবে।

কম বিলম্ব: Interleave আর্কিটেকচারের মাধ্যমে প্রতি অক্ষরের গড় বিলম্ব ২.৮ সেকেন্ড থেকে কমে ২.৩ সেকেন্ড হয়েছে। শোনা অডিও ও তৈরি হওয়া অনুবাদ ক্যাশ করে পুনর্ব্যবহার করা যায়, ফলে অনুবাদ দ্রুত ও সাবলীল হয়।
স্পিকার সেপারেশন + ভয়েস ক্লোনিং: একাধিক ব্যক্তি পালাক্রমে কথা বললে বক্তাদের নির্ভুলভাবে আলাদা করে এবং অনূদিত অডিওতে প্রত্যেকের কণ্ঠস্বর আলাদাভাবে পুনর্নির্মাণ করে, ফলে কথোপকথনের দায়িত্ব স্পষ্ট থাকে।
একই ফ্রেমে মূল ও অনুবাদ: মূল বক্তব্য ও অনুবাদ একই সময়ে প্রদর্শিত হয়, তাৎক্ষণিক বোঝাপড়া ও মূল বক্তব্য যাচাই দুটিই সম্ভব হয় এবং সাবটাইটেল, কনটেন্ট সংগঠন ও অনুসন্ধানের মতো ক্ষেত্রে স্বাভাবিকভাবে মানিয়ে যায়।
দীর্ঘ কনটেক্সট-ভিত্তিক দ্ব্যর্থতা নিরসন: বিভিন্ন পালার ঐতিহাসিক প্রসঙ্গের সঙ্গে সম্পর্ক স্থাপন করে একক বাক্যভিত্তিক সিদ্ধান্তের অস্পষ্টতা দূর করে; ব্যক্তিনাম ও পরিভাষার অনুবাদ আরও নির্ভুল এবং সামঞ্জস্যপূর্ণ হয়।
৬০টি ভাষায় বিস্তৃত সমর্থন: ৬০টি ভাষায় শনাক্তকরণ এবং ২৯টি ভাষায় ভয়েস আউটপুট সমর্থন করে, যা বহুভাষিক রিয়েল-টাইম যোগাযোগের চাহিদা পূরণ করে।

আন্তঃদেশীয় সভা: একাধিক ব্যক্তি কথা বললে স্বয়ংক্রিয়ভাবে বক্তাদের আলাদা করে এবং তাদের কণ্ঠস্বর পুনর্নির্মাণ করে রিয়েল-টাইম অনুবাদ দেয়, ফলে অংশগ্রহণকারীদের একই ভাষায় কথা বলার মতো অভিজ্ঞতা হয়।
সীমান্ত-পার লাইভস্ট্রিম: স্ট্রিমারদের জন্য সিঙ্ক্রোনাইজড দ্বিভাষিক সাবটাইটেল ও অনূদিত অডিও তৈরি করে, যাতে লাইভ কনটেন্ট বিশ্বজুড়ে দর্শকদের কাছে সহজে পৌঁছায়।
ভিডিও লোকালাইজেশন: ভিডিও ইনপুট দিলেই সমন্বিত দ্বিভাষিক সাবটাইটেল ও ডাবিং তৈরি করা যায়, ফলে চলচ্চিত্র ও শিক্ষামূলক কনটেন্ট অনুবাদের প্রক্রিয়া অনেক সহজ হয়।
আন্তর্জাতিক প্রদর্শনী/মেলা: প্রদর্শক ও দর্শনার্থীদের সরাসরি কথোপকথনে কম-বিলম্বের সিমুলটেনিয়াস ইন্টারপ্রিটেশন দেয় এবং পেশাদার দোভাষীর খরচ কমায়।
বিদেশমুখী প্রতিষ্ঠানের গ্রাহকসেবা ও প্রশিক্ষণ: বিদেশি গ্রাহকদের রিয়েল-টাইম ভয়েস পরামর্শ এবং বহুভাষিক কর্মী প্রশিক্ষণে সহায়তা করে, ফলে বৈশ্বিক পরিষেবার দক্ষতা বাড়ে।