Alibaba Cloud Model Studio:リアルタイム音声・動画翻訳 - Qwen

利用方法

# pip install websocket-client
import json
import websocket
import os

API_KEY=os.getenv("DASHSCOPE_API_KEY")
API_URL = "wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime?model=qwen3-livetranslate-flash-realtime"

headers = [
    "Authorization: Bearer " + API_KEY
]

def on_open(ws):
    print(f"サーバーに接続しました: {API_URL}")
def on_message(ws, message):
    data = json.loads(message)
    print("受信したイベント:", json.dumps(data, indent=2))
def on_error(ws, error):
    print("エラー:", error)

ws = websocket.WebSocketApp(
    API_URL,
    header=headers,
    on_open=on_open,
    on_message=on_message,
    on_error=on_error
)

ws.run_forever()

サポートされているモデル

qwen3-livetranslate-flash-realtime は、多言語対応のリアルタイム音声・動画翻訳モデルです。18 言語を認識し、リアルタイムで 10 言語の音声に翻訳できます。

主な特徴：

• 多言語サポート：中国語、英語、フランス語、ドイツ語、ロシア語、日本語、韓国語などの 18 言語、および標準中国語、広東語、四川語を含む 6 つの中国語方言をサポートします。

• 視覚拡張：視覚コンテンツを使用して翻訳の精度を向上させます。モデルは、唇の動き、動作、画面上のテキストを分析して、騒がしい環境や複数の意味を持つ単語の翻訳を強化します。

• 3 秒の遅延：最低 3 秒の同時通訳遅延を実現します。

• ロスレス同時通訳：セマンティックユニット予測技術を使用して、言語間の語順の問題を解決します。リアルタイム翻訳の品質は、オフライン翻訳の品質に近いです。

• 自然な音声：自然で人間らしい音声を生成します。モデルは、ソース音声に基づいてトーンと感情を自動的に調整します。

クイックスタート

1. 環境の準備

   Python のバージョンは 3.10 以降である必要があります。

   まず、pyaudio をインストールします。

   macOS

   brew install portaudio && pip install pyaudio

   Debian/Ubuntu

   sudo apt-get install python3-pyaudio
   
   or
   
   pip install pyaudio

   CentOS

   sudo yum install -y portaudio portaudio-devel && pip install pyaudio

   Windows

   pip install pyaudio

   インストールが完了したら、pip を使用して必要な WebSocket 依存関係をインストールします：

   pip install websocket-client==1.8.0 websockets

2. クライアントの作成

   ローカルに新しい Python ファイルを作成し、livetranslate_client.py という名前を付けて、次のコードをファイルにコピーします：

   クライアントコード - livetranslate_client.py

   import os
   import time
   import base64
   import asyncio
   import json
   import websockets
   import pyaudio
   import queue
   import threading
   import traceback
   
   class LiveTranslateClient:
       def __init__(self, api_key: str, target_language: str = "en", voice: str | None = "Cherry", *, audio_enabled: bool = True):
           if not api_key:
               raise ValueError("API キーは空にできません。")
               
           self.api_key = api_key
           self.target_language = target_language
           self.audio_enabled = audio_enabled
           self.voice = voice if audio_enabled else "Cherry"
           self.ws = None
           self.api_url = "wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime?model=qwen3-livetranslate-flash-realtime"
           
           # 音声入力の設定 (マイクから)
           self.input_rate = 16000
           self.input_chunk = 1600
           self.input_format = pyaudio.paInt16
           self.input_channels = 1
           
           # 音声出力の設定 (再生用)
           self.output_rate = 24000
           self.output_chunk = 2400
           self.output_format = pyaudio.paInt16
           self.output_channels = 1
           
           # 状態管理
           self.is_connected = False
           self.audio_player_thread = None
           self.audio_playback_queue = queue.Queue()
           self.pyaudio_instance = pyaudio.PyAudio()
   
       async def connect(self):
           """翻訳サービスへの WebSocket 接続を確立します。"""
           headers = {"Authorization": f"Bearer {self.api_key}"}
           try:
               self.ws = await websockets.connect(self.api_url, additional_headers=headers)
               self.is_connected = True
               print(f"サーバーへの接続に成功しました: {self.api_url}")
               await self.configure_session()
           except Exception as e:
               print(f"接続に失敗しました: {e}")
               self.is_connected = False
               raise
   
       async def configure_session(self):
           """翻訳セッションを設定し、ターゲット言語、音声、その他のパラメーターを設定します。"""
           config = {
               "event_id": f"event_{int(time.time() * 1000)}",
               "type": "session.update",
               "session": {
                   # 'modalities' は出力タイプを制御します。
                   # ["text", "audio"]: 翻訳されたテキストと合成された音声の両方を返します (推奨)。
                   # ["text"]: 翻訳されたテキストのみを返します。
                   "modalities": ["text", "audio"] if self.audio_enabled else ["text"],
                   **({"voice": self.voice} if self.audio_enabled and self.voice else {}),
                   "input_audio_format": "pcm16",
                   "output_audio_format": "pcm16",
                   # 'input_audio_transcription' はソース言語の認識を設定します。
                   # 'model' を 'qwen3-asr-flash-realtime' に設定すると、ソース言語の認識結果も出力されます。
                   # "input_audio_transcription": {
                   #     "model": "qwen3-asr-flash-realtime",
                   #     "language": "zh"  # ソース言語、デフォルトは 'en'
                   # },
                   "translation": {
                       "language": self.target_language
                   }
               }
           }
           print(f"セッション構成を送信中: {json.dumps(config, indent=2, ensure_ascii=False)}")
           await self.ws.send(json.dumps(config))
   
       async def send_audio_chunk(self, audio_data: bytes):
           """音声データブロックをエンコードしてサーバーに送信します。"""
           if not self.is_connected:
               return
               
           event = {
               "event_id": f"event_{int(time.time() * 1000)}",
               "type": "input_audio_buffer.append",
               "audio": base64.b64encode(audio_data).decode()
           }
           await self.ws.send(json.dumps(event))
   
       async def send_image_frame(self, image_bytes: bytes, *, event_id: str | None = None):
           # 画像データをサーバーに送信します
           if not self.is_connected:
               return
   
           if not image_bytes:
               raise ValueError("image_bytes は空にできません")
   
           # Base64 にエンコードします
           image_b64 = base64.b64encode(image_bytes).decode()
   
           event = {
               "event_id": event_id or f"event_{int(time.time() * 1000)}",
               "type": "input_image_buffer.append",
               "image": image_b64,
           }
   
           await self.ws.send(json.dumps(event))
   
       def _audio_player_task(self):
           stream = self.pyaudio_instance.open(
               format=self.output_format,
               channels=self.output_channels,
               rate=self.output_rate,
               output=True,
               frames_per_buffer=self.output_chunk,
           )
           try:
               while self.is_connected or not self.audio_playback_queue.empty():
                   try:
                       audio_chunk = self.audio_playback_queue.get(timeout=0.1)
                       if audio_chunk is None: # 終了シグナル
                           break
                       stream.write(audio_chunk)
                       self.audio_playback_queue.task_done()
                   except queue.Empty:
                       continue
           finally:
               stream.stop_stream()
               stream.close()
   
       def start_audio_player(self):
           """音声プレーヤースレッドを開始します (音声出力が有効な場合のみ)。"""
           if not self.audio_enabled:
               return
           if self.audio_player_thread is None or not self.audio_player_thread.is_alive():
               self.audio_player_thread = threading.Thread(target=self._audio_player_task, daemon=True)
               self.audio_player_thread.start()
   
       async def handle_server_messages(self, on_text_received):
           """サーバーからのメッセージを処理するループ。"""
           try:
               async for message in self.ws:
                   event = json.loads(message)
                   event_type = event.get("type")
                   if event_type == "response.audio.delta" and self.audio_enabled:
                       audio_b64 = event.get("delta", "")
                       if audio_b64:
                           audio_data = base64.b64decode(audio_b64)
                           self.audio_playback_queue.put(audio_data)
   
                   elif event_type == "response.done":
                       print("\n[INFO] 1ラウンドの応答が完了しました。")
                       usage = event.get("response", {}).get("usage", {})
                       if usage:
                           print(f"[INFO] トークン使用量: {json.dumps(usage, indent=2, ensure_ascii=False)}")
                   # ソース言語の認識結果を処理します (input_audio_transcription.model の有効化が必要)
                   # elif event_type == "conversation.item.input_audio_transcription.text":
                   #     stash = event.get("stash", "")  # 未確定の認識テキスト
                   #     print(f"[認識中] {stash}")
                   # elif event_type == "conversation.item.input_audio_transcription.completed":
                   #     transcript = event.get("transcript", "")  # 完全な認識結果
                   #     print(f"[ソース言語] {transcript}")
                   elif event_type == "response.audio_transcript.done":
                       print("\n[INFO] テキスト翻訳が完了しました。")
                       text = event.get("transcript", "")
                       if text:
                           print(f"[INFO] 翻訳されたテキスト: {text}")
                   elif event_type == "response.text.done":
                       print("\n[INFO] テキスト翻訳が完了しました。")
                       text = event.get("text", "")
                       if text:
                           print(f"[INFO] 翻訳されたテキスト: {text}")
   
           except websockets.exceptions.ConnectionClosed as e:
               print(f"[WARNING] 接続が閉じられました: {e}")
               self.is_connected = False
           except Exception as e:
               print(f"[ERROR] メッセージ処理中に不明なエラーが発生しました: {e}")
               traceback.print_exc()
               self.is_connected = False
   
       async def start_microphone_streaming(self):
           """マイクから音声をキャプチャし、サーバーにストリーミングします。"""
           stream = self.pyaudio_instance.open(
               format=self.input_format,
               channels=self.input_channels,
               rate=self.input_rate,
               input=True,
               frames_per_buffer=self.input_chunk
           )
           print("マイクがオンです。話し始めてください...")
           try:
               while self.is_connected:
                   audio_chunk = await asyncio.get_event_loop().run_in_executor(
                       None, stream.read, self.input_chunk
                   )
                   await self.send_audio_chunk(audio_chunk)
           finally:
               stream.stop_stream()
               stream.close()
   
       async def close(self):
           """接続を正常に閉じ、リソースを解放します。"""
           self.is_connected = False
           if self.ws:
               await self.ws.close()
               print("WebSocket 接続が閉じられました。")
           
           if self.audio_player_thread:
               self.audio_playback_queue.put(None) # 終了シグナルを送信
               self.audio_player_thread.join(timeout=1)
               print("音声プレーヤースレッドが停止しました。")
               
           self.pyaudio_instance.terminate()
           print("PyAudio インスタンスが解放されました。")

3. モデルとの対話

   livetranslate_client.py と同じフォルダに、別の Python ファイルを作成し、main.py という名前を付けて、次のコードをファイルにコピーします：

   main.py

   import os
   import asyncio
   from livetranslate_client import LiveTranslateClient
   
   def print_banner():
       print("=" * 60)
       print("  Powered by Qwen qwen3-livetranslate-flash-realtime")
       print("=" * 60 + "\n")
   
   def get_user_config():
       """ユーザー設定の取得"""
       print("モードを選択してください:")
       print("1. 音声 + テキスト [デフォルト] | 2. テキストのみ")
       mode_choice = input("選択肢を入力してください (音声 + テキストの場合は Enter を押してください): ").strip()
       audio_enabled = (mode_choice != "2")
   
       if audio_enabled:
           lang_map = {
               "1": "en", "2": "zh", "3": "ru", "4": "fr", "5": "de", "6": "pt",
               "7": "es", "8": "it", "9": "ko", "10": "ja", "11": "yue"
           }
           print("翻訳先の言語を選択してください (音声 + テキストモード):")
           print("1. 英語 | 2. 中国語 | 3. ロシア語 | 4. フランス語 | 5. ドイツ語 | 6. ポルトガル語 | 7. スペイン語 | 8. イタリア語 | 9. 韓国語 | 10. 日本語 | 11. 広東語")
       else:
           lang_map = {
               "1": "en", "2": "zh", "3": "ru", "4": "fr", "5": "de", "6": "pt", "7": "es", "8": "it",
               "9": "id", "10": "ko", "11": "ja", "12": "vi", "13": "th", "14": "ar",
               "15": "yue", "16": "hi", "17": "el", "18": "tr"
           }
           print("翻訳先の言語を選択してください (テキストのみモード):")
           print("1. 英語 | 2. 中国語 | 3. ロシア語 | 4. フランス語 | 5. ドイツ語 | 6. ポルトガル語 | 7. スペイン語 | 8. イタリア語 | 9. インドネシア語 | 10. 韓国語 | 11. 日本語 | 12. ベトナム語 | 13. タイ語 | 14. アラビア語 | 15. 広東語 | 16. ヒンディー語 | 17. ギリシャ語 | 18. トルコ語")
   
       choice = input("選択肢を入力してください (デフォルトは最初のオプションです): ").strip()
       target_language = lang_map.get(choice, next(iter(lang_map.values())))
   
       voice = None
       if audio_enabled:
           print("\n音声合成の音声を選択してください:")
           voice_map = {"1": "Cherry", "2": "Nofish", "3": "Sunny", "4": "Jada", "5": "Dylan", "6": "Peter", "7": "Eric", "8": "Kiki"}
           print("1. Cherry (女性) [デフォルト] | 2. Nofish (男性) | 3. Sunny (四川女性) | 4. Jada (上海女性) | 5. Dylan (北京男性) | 6. Peter (天津男性) | 7. Eric (四川男性) | 8. Kiki (広東女性)")
           voice_choice = input("選択肢を入力してください (Cherry の場合は Enter を押してください): ").strip()
           voice = voice_map.get(voice_choice, "Cherry")
       return target_language, voice, audio_enabled
   
   async def main():
       """メインプログラムのエントリーポイント"""
       print_banner()
       
       api_key = os.environ.get("DASHSCOPE_API_KEY")
       if not api_key:
           print("[ERROR] DASHSCOPE_API_KEY 環境変数を設定してください。")
           print("  例: export DASHSCOPE_API_KEY='your_api_key_here'")
           return
           
       target_language, voice, audio_enabled = get_user_config()
       print("\n設定が完了しました:")
       print(f"  - ターゲット言語: {target_language}")
       if audio_enabled:
           print(f"  - 合成音声: {voice}")
       else:
           print("  - 出力モード: テキストのみ")
       
       client = LiveTranslateClient(api_key=api_key, target_language=target_language, voice=voice, audio_enabled=audio_enabled)
       
       # コールバック関数を定義します
       def on_translation_text(text):
           print(text, end="", flush=True)
   
       try:
           print("翻訳サービスに接続しています...")
           await client.connect()
           
           # モードに基づいて音声再生を開始します
           client.start_audio_player()
           
           print("\n" + "-" * 60)
           print("接続に成功しました！マイクに向かって話してください。")
           print("プログラムはあなたの音声をリアルタイムで翻訳し、結果を再生します。Ctrl+C を押して終了します。")
           print("-" * 60 + "\n")
   
           # メッセージ処理とマイク録音を同時に実行します
           message_handler = asyncio.create_task(client.handle_server_messages(on_translation_text))
           tasks = [message_handler]
           # 音声出力が有効かどうかにかかわらず、翻訳のためにマイクから音声をキャプチャする必要があります
           microphone_streamer = asyncio.create_task(client.start_microphone_streaming())
           tasks.append(microphone_streamer)
   
           await asyncio.gather(*tasks)
   
       except KeyboardInterrupt:
           print("\n\nユーザーが中断しました。終了しています...")
       except Exception as e:
           print(f"\n重大なエラーが発生しました: {e}")
       finally:
           print("\nリソースをクリーンアップしています...")
           await client.close()
           print("プログラムが終了しました。")
   
   if __name__ == "__main__":
       asyncio.run(main())

   main.py を実行し、翻訳したい文章をマイクに向かって話します。モデルは翻訳された音声とテキストをリアルタイムで出力します。システムはあなたの発話を自動的に検出し、音声をサーバーに送信するため、手動での操作は不要です。

画像を利用した翻訳精度の向上

qwen3-livetranslate-flash-realtime は、音声翻訳を補助するために画像入力を受け入れることができます。これは、同音異義語を含むシナリオや、一般的でない固有名詞を認識する場合に役立ちます。1 秒あたり最大 2 枚の画像を送信できます。

次のサンプル画像をローカルコンピューターにダウンロードします：face_mask.png および mask.png

次のコードを livetranslate_client.py と同じフォルダにダウンロードして実行します。マイクに向かって "What is mask?" と話します。医療用マスクの画像を入力すると、モデルはこのフレーズを「医療用マスクとは何ですか？」と翻訳します。仮面舞踏会のマスクの画像を入力すると、モデルはこのフレーズを「仮面舞踏会のマスクとは何ですか？」と翻訳します。

import os
import time
import json
import asyncio
import contextlib
import functools

from livetranslate_client import LiveTranslateClient

IMAGE_PATH = "mask_medical.png"
# IMAGE_PATH = "mask_masquerade.png"

def print_banner():
    print("=" * 60)
    print("  Powered by Qwen qwen3-livetranslate-flash-realtime - シングルターン対話例 (mask)")
    print("=" * 60 + "\n")

async def stream_microphone_once(client: LiveTranslateClient, image_bytes: bytes):
    pa = client.pyaudio_instance
    stream = pa.open(
        format=client.input_format,
        channels=client.input_channels,
        rate=client.input_rate,
        input=True,
        frames_per_buffer=client.input_chunk,
    )
    print(f"[INFO] 録音を開始しました。話してください...")
    loop = asyncio.get_event_loop()
    last_img_time = 0.0
    frame_interval = 0.5  # 2 fps
    try:
        while client.is_connected:
            data = await loop.run_in_executor(None, stream.read, client.input_chunk)
            await client.send_audio_chunk(data)

            # 0.5 秒ごとに画像フレームを追加します
            now = time.time()
            if now - last_img_time >= frame_interval:
                await client.send_image_frame(image_bytes)
                last_img_time = now
    finally:
        stream.stop_stream()
        stream.close()

async def main():
    print_banner()
    api_key = os.environ.get("DASHSCOPE_API_KEY")
    if not api_key:
        print("[ERROR] まず、DASHSCOPE_API_KEY 環境変数に API KEY を設定してください。")
        return

    client = LiveTranslateClient(api_key=api_key, target_language="zh", voice="Cherry", audio_enabled=True)

    def on_text(text: str):
        print(text, end="", flush=True)

    try:
        await client.connect()
        client.start_audio_player()
        message_task = asyncio.create_task(client.handle_server_messages(on_text))
        with open(IMAGE_PATH, "rb") as f:
            img_bytes = f.read()
        await stream_microphone_once(client, img_bytes)
        await asyncio.sleep(15)
    finally:
        await client.close()
        if not message_task.done():
            message_task.cancel()
            with contextlib.suppress(asyncio.CancelledError):
                await message_task

if __name__ == "__main__":
    asyncio.run(main())

Function Compute を利用したワンクリックデプロイメント

現在、コンソールはこのデモをサポートしていません。次のようにワンクリックでデプロイできます：

1. Function Compute テンプレートを開き、API キーを入力し、[デフォルト環境の作成とデプロイ] をクリックしてオンラインで試します。

2. 約 1 分待ちます。[環境詳細] > [環境コンテキスト] で、エンドポイントを取得します。エンドポイントの http を https に変更し (例：https://qwen-livetranslate-flash-realtime-intl.fcv3.xxx.ap-southeast-1.fc.devsapp.net/)、そのリンクを使用してモデルと対話します。

   重要

   このリンクは自己署名証明書を使用しており、一時的なテスト専用です。最初にアクセスすると、ブラウザにセキュリティ警告が表示されますが、これは想定内の動作です。本番環境では使用しないでください。続行するには、ブラウザの指示に従い、「詳細設定」→「(安全でないサイト) に進む」などをクリックしてください。

Resource Access Management (RAM) の権限を有効にするには、画面の指示に従ってください。

プロジェクトのソースコードは、[リソース情報] > [関数リソース] で確認できます。

Function Compute と Alibaba Cloud Model Studio はどちらも新規ユーザー向けの無料クォータを提供しています。このクォータは、簡単なテストの費用をカバーできます。無料クォータを使い切った後は、従量課金制で請求されます。料金は、サービスにアクセスした場合にのみ発生します。

対話フロー

リアルタイム音声翻訳の対話フローは、標準の WebSocket イベント駆動モデルに従います。サーバーは音声の開始と終了を自動的に検出し、応答します。

API リファレンス

詳細については、「リアルタイム音声・動画翻訳 (Qwen-Livetranslate)」をご参照ください。

課金

• 音声：音声入力または出力 1 秒ごとに 12.5 トークンを消費します。

• 画像：入力の 28×28 ピクセルごとに 0.5 トークンを消費します。

• テキスト：ソース言語の音声認識機能を有効にすると、サービスは翻訳結果に加えて、入力音声の音声認識テキスト (元のソース言語のテキスト) を返します。この認識テキストは、出力テキストの標準トークンレートに基づいて課金されます。

トークンの価格については、「モデルリスト」をご参照ください。

サポート言語

ソース言語とターゲット言語を指定するには、次の言語コードを使用します。

一部のターゲット言語はテキスト出力のみをサポートし、音声出力はサポートしていません。

サポートされている音声