Qwen3.8-LiveTranslate آپریشن میں

Qwen3.8-LiveTranslate علی بابا کے Tongyi Qianwen کی جانب سے پیش کیا گیا حقیقی وقت کا بیک وقت ترجمانی کا بڑا ماڈل ہے۔ یہ Interleave architecture کے ذریعے ازسرِنو تشکیل دیا گیا ہے، جس سے فی چینی حرف اوسط تاخیر 2.8 سیکنڈ سے کم ہو کر 2.3 سیکنڈ رہ گئی ہے، اور یہ 60 زبانوں کو سپورٹ کرتا ہے۔ ماڈل میں حقیقی وقت میں مقرر کی علیحدگی اور آواز کے لہجے کی نقل، اصل متن اور ترجمے کا ایک ہی فریم میں بیک وقت اخراج، اور طویل سیاق میں ابہام دور کرنے کی تین بڑی صلاحیتیں شامل ہیں۔ یہ ویڈیو/آڈیو ان پٹ کو پہچان سکتا ہے اور آخر سے آخر تک دو لسانی متن کے ساتھ اصل آواز کے لہجے کو برقرار رکھنے والی ترجمہ شدہ آواز پیدا کرتا ہے۔ یہ بین الاقوامی کانفرنسوں، سرحد پار لائیو نشریات اور ویڈیو مقامی سازی جیسے منظرناموں کے لیے موزوں ہے، اور Qianwen AI پلیٹ فارم پر اس کی OpenAPI دستیاب ہے۔

حقیقی وقت میں بیک وقت ترجمانی: Interleave architecture پر مبنی آڈیو-متن سنگل اسٹریم پراسیسنگ، جس میں فی چینی حرف اوسط تاخیر صرف 2.3 سیکنڈ ہے؛ سنتے ہی ترجمہ ہوتا ہے۔
مقرر کی علیحدگی: متعدد افراد کے باری باری بولنے پر ہر مقرر کو خودکار طور پر الگ پہچانتا ہے اور ہر ایک کی آواز کے لہجے کی نقل کرتے ہوئے ترجمہ شدہ آواز تیار کرتا ہے۔
دو لسانی متن کا ایک ہی فریم میں اخراج: اصل متن اور ترجمہ بیک وقت ایک ہی اسکرین پر دکھائے جاتے ہیں، جس سے فوری سمجھ اور اصل متن سے تصدیق آسان ہوتی ہے۔
طویل سیاق میں ابہام دور کرنا: سابقہ سیاق کو سمجھ کر موجودہ جملے کا ترجمہ کرتا ہے، تاکہ ناموں، اصطلاحات اور حوالوں کا ترجمہ زیادہ درست اور یکساں رہے۔
کثیر لسانی ترجمہ: 60 زبانوں کے ان پٹ کی شناخت اور 29 زبانوں میں صوتی آؤٹ پٹ کو سپورٹ کرتا ہے۔
بصری معلومات کی معاونت: ویڈیو/تصویر ان پٹ کو سپورٹ کرتا ہے اور منظر کے مواد کی مدد سے ترجمے کے ابہام دور کرتا ہے۔

Interleave سنگل اسٹریم architecture: Qwen3.8-LiveTranslate نے بیک وقت ترجمانی کو آڈیو اور متن کی باہم پیوست سنگل اسٹریم شکل میں ازسرِنو تشکیل دیا ہے۔ سنا جا چکا آڈیو اور تیار ہو چکا ترجمہ دونوں کیش میں محفوظ کر کے دوبارہ استعمال کیے جاتے ہیں، اس لیے ہر جملے کو شروع سے پراسیس کرنے کی ضرورت نہیں رہتی۔ اس طرح ترجمے کا معیار بہتر ہونے کے ساتھ فی چینی حرف اوسط تاخیر 2.8 سیکنڈ سے کم ہو کر 2.3 سیکنڈ رہ گئی ہے۔
Thinker–Talker دوہرا ماڈیول ڈیزائن: ماڈل Hybrid MoE پر مبنی Thinker–Talker ساخت استعمال کرتا ہے۔ Thinker ویڈیو، آڈیو، اصل متن اور ترجمے کو ایک ہی causal sequence میں ترتیب دیتا ہے، انہیں زمانی ترتیب سے باری باری رکھ کر سمجھ اور ترجمہ آخر سے آخر تک مکمل کرتا ہے۔ Talker ترجمے اور ماخذ آڈیو کو ملا کر ایسی ترجمہ شدہ آواز تیار کرتا ہے جس میں اصل مقرر کا آواز کا لہجہ برقرار رہتا ہے۔
حقیقی وقت میں مقرر کی علیحدگی: متعدد افراد کے باری باری بولنے کی صورت میں ماڈل ترجمے سے پہلے Diarization مکمل کرتا ہے، ہر جملے کو مخصوص مقرر سے منسوب کرتا ہے، اور اسی بنیاد پر Talker کو ہدایت دیتا ہے کہ وہ اس مقرر کے آواز کے لہجے کی مستحکم نقل کرے، تاکہ ترجمہ شدہ آواز سے واضح رہے کہ کون بول رہا ہے۔
طویل سیاق میں ابہام دور کرنا: ماڈل سابقہ گفتگو کو سیاقی ماڈلنگ میں شامل کرتا ہے اور پچھلی معلومات کو مختلف ادوار میں مربوط کرتا ہے، تاکہ صرف ایک جملے کی بنیاد پر فیصلہ کرنے سے پیدا ہونے والے ذاتی ناموں، مخصوص اصطلاحات اور حوالوں کے ابہام سے بچا جا سکے، اور طویل کثیرمقرر گفتگو میں اصطلاحات و اظہار کا تسلسل برقرار رہے۔
دو لسانی ہم وقت آؤٹ پٹ کا طریقۂ کار: architecture کے لحاظ سے اصل متن اور ترجمہ ایک ہی باہم پیوست sequence میں aligned ہو کر تیار ہوتے ہیں، اس لیے ایک ہی فریم میں بیک وقت اخراج فطری طور پر ممکن ہے۔ یوں دو لسانی سب ٹائٹلز، مواد کی تدوین اور تلاش جیسی بعد کی ایپلی کیشنز کو اضافی alignment پراسیسنگ کی ضرورت نہیں رہتی۔

ویب سائٹ https://omni.qwen.ai/live-translate کھولیں۔
مائیکروفون کی اجازت دیں، پھر ماخذ زبان اور ہدف زبان منتخب کریں۔
براہِ راست بولنا شروع کریں؛ آپ حقیقی وقت کے دو لسانی سب ٹائٹلز دیکھ اور ترجمے کی آواز سن سکیں گے۔
Qianwen AI پلیٹ فارم میں لاگ اِن کر کے API Key حاصل کریں۔
https://www.qianwenai.com/models/qwen3.8-livetranslate-flash-realtime ماڈل کے حقیقی وقت کے API کو کال کریں اور آڈیو اسٹریم بھیجیں۔
واپس موصول ہونے والا دو لسانی متن اور ترجمہ شدہ آواز حاصل کریں۔

کم تاخیر: Interleave architecture فی چینی حرف اوسط تاخیر کو 2.8 سیکنڈ سے کم کر کے 2.3 سیکنڈ کر دیتا ہے۔ سنا جا چکا آڈیو اور تیار ہو چکا ترجمہ کیش میں محفوظ ہو کر دوبارہ استعمال ہوتے ہیں، جس سے ترجمہ زیادہ تیز اور رواں رہتا ہے۔
مقرر کی علیحدگی + آواز کے لہجے کی نقل: متعدد افراد کے باری باری بولنے پر مقررین کو درست طور پر الگ پہچانتا ہے اور ترجمہ شدہ آواز میں ہر ایک کے لہجے کی الگ نقل کرتا ہے، جس سے گفتگو میں معلومات کی نسبت واضح رہتی ہے۔
اصل متن اور ترجمہ ایک ہی فریم میں: اصل متن اور ترجمہ بیک وقت دکھائے جاتے ہیں، جس سے فوری سمجھ اور اصل متن سے تصدیق دونوں ممکن ہوتی ہیں، اور یہ سب ٹائٹلز، مواد کی تدوین اور تلاش جیسے منظرناموں کے لیے موزوں ہے۔
طویل سیاق میں ابہام دور کرنا: سابقہ سیاق کو مختلف ادوار میں مربوط کر کے ایک جملے کی بنیاد پر پیدا ہونے والے ابہام کو حل کرتا ہے، اور ناموں و اصطلاحات کا ترجمہ زیادہ درست اور یکساں رکھتا ہے۔
60 زبانوں کا وسیع احاطہ: 60 زبانوں کی شناخت اور 29 زبانوں میں صوتی آؤٹ پٹ کو سپورٹ کرتا ہے، جس سے کثیر لسانی حقیقی وقت کی گفتگو کی ضروریات پوری ہوتی ہیں۔

بین الاقوامی کانفرنسیں: متعدد افراد کے بولنے پر مقررین کو خودکار طور پر الگ پہچان کر ان کے لہجوں کی نقل کے ساتھ حقیقی وقت میں ترجمہ کرتا ہے، تاکہ شرکا کو یوں محسوس ہو جیسے وہ ایک ہی زبان میں گفتگو کر رہے ہوں۔
سرحد پار لائیو نشریات: میزبان کے لیے دو لسانی ہم وقت سب ٹائٹلز اور ترجمہ شدہ آواز فراہم کرتا ہے، تاکہ لائیو مواد عالمی ناظرین تک بلا رکاوٹ پہنچ سکے۔
ویڈیو مقامی سازی: ویڈیو ان پٹ دے کر aligned دو لسانی سب ٹائٹلز اور ڈبنگ تیار کی جا سکتی ہے، جس سے فلم، ٹی وی اور کورس کے مواد کے ترجمے کا عمل نمایاں طور پر آسان ہو جاتا ہے۔
بین الاقوامی نمائشیں/تجارتی میلے: نمائش کنندگان اور شرکا کے درمیان موقع پر ہونے والی گفتگو کے لیے کم تاخیر والی بیک وقت ترجمانی فراہم کرتا ہے، جس سے پیشہ ور مترجمین کی لاگت کم ہوتی ہے۔
بین الاقوامی کاروباری اداروں کی کسٹمر سروس اور تربیت: بیرونِ ملک صارفین کی حقیقی وقت کی صوتی مشاورت اور مختلف زبانیں بولنے والے ملازمین کی تربیت میں معاونت کرتا ہے، جس سے عالمی خدمات کی کارکردگی بہتر ہوتی ہے۔