腾讯混元于 10 月 27 日发布并开源 Hy-SimulMT,一款可实时复制说话者声音、双向翻译中英语音的同声传译模型;模型采用 30B-A3B 混合专家(MoE)架构,以 Apache 2.0 授权发布于 GitHub 与 Hugging Face,并已在 Hy Translate 应用程序率先上线供用户免费使用。
Hy-SimulMT 技术架构:30B-A3B 混合专家系统、Apache 2.0 授权
据 GitHub 与 Hugging Face 页面资料,Hy-SimulMT 采用 30B-A3B 混合专家(Mixture of Experts)架构,提供 FP8 版本、GGUF 版本,以及可输出原始文本的 Interleave 变体;授权为 Apache 2.0。随模型一并发布的工具包含 SimulInfer(基于 vLLM 构建的服务栈,包含 Web 界面、WebSocket API 及可选的文字转语音功能)与 SimulTrain(用于在特定领域数据上进行进一步训练);llama.cpp 支持目前尚未合并。
模型首先在 Hy Translate 应用程序中上线,此版本延续腾讯混元早期开源翻译模型的路径,从文本翻译扩展至实时语音翻译。
StreamLAAL 长格式延迟约 3 秒:RealSI 基准测试中对比系统最低
据腾讯官方技术报告,Hy-SimulMT 在 RealSI 长格式基准测试中以 StreamLAAL 测量的延迟约为 3 秒,为对比系统中最低。IT 之家指出,专业人工口译的典型延迟为 4 至 5 秒。
腾讯同时说明,StreamLAAL 延迟与用户听到第一声翻译语音所需的时间并不相同,两者为不同的测量概念,用户在评估实际体验时应区分此差异。
短格式基准评分与商业 API 比较:四项数据集及 GEMBA 结果
Hy-SimulMT 在短格式语音数据集上的评分如下(依各基准测试公布数据):
FLEURS:90.3 分
CoVoST2:75.5 分
ACL6060:81.2 分
RealSI-Sentence:84.7 分(所有测试系统中最高)
在长格式语音数据集的 GEMBA 分数方面,Hy-SimulMT 优于对比中的开源模型,以及五款商业 API 中的四款;第五款商业 API 的对比结果,原文未进一步说明。
CATTI 译员小规模评估:10 月录音、10 个领域
据腾讯发布的测试说明,研究团队对 18 段时长约 6 分钟的录音进行对比评估,录音涵盖 10 个领域,录制工作自 2026 年 9 月开始。参与评估的共 6 位口译员,其中 3 位持有中国最高级别的 CATTI 一级口译证书,3 位持有二级证书,测试采用每个级别译员的最佳成绩。腾讯明确将此次测试定性为「小规模评估」。
广东外语外贸大学口译与翻译学院副院长王维维于新闻稿中表示,此系统的运作方式是先进行口译、再进行自我纠错,与人类译员的工作模式非常相似;她并指出,AI 口译正从帮助人们理解内容,转向在低风险环境下实现实用沟通。
常见问题
Hy-SimulMT 的 3 秒延迟是什么意思,与用户体验有何不同?
据腾讯技术报告,3 秒延迟是以 StreamLAAL 指标在 RealSI 长格式基准测试中测量的流式翻译延迟;腾讯同时说明,StreamLAAL 延迟与用户实际听到第一声翻译语音所需的时间并不相同,两者为不同的测量概念。IT 之家指出,专业人工口译的典型延迟为 4 至 5 秒。
Hy-SimulMT 的开源授权条款为何,包含哪些工具?
据 Hugging Face 页面资料,Hy-SimulMT 采用 Apache 2.0 授权开源,包含 FP8、GGUF 及 Interleave 三种模型版本,另附带 SimulInfer(基于 vLLM,含 Web 界面、WebSocket API、可选 TTS)与 SimulTrain(领域数据训练工具);llama.cpp 支持目前尚未合并。
此次 CATTI 译员评估的具体规模与腾讯的自我说明为何?
据腾讯发布的评估说明,此次测试使用 18 段约 6 分钟的录音(10 个领域,自 2026 年 9 月录制),6 位口译员(3 位 CATTI 一级、3 位 CATTI 二级)参与对比,采用各级别最佳成绩;腾讯明确将此次评估定性为「小规模评估」。