IT之家 Mensaje del 26 de octubre: el gran modelo de interpretación simultánea Hunyuan de Tencent, Hy-SimulMT, se lanzó hoy y se publicó como código abierto, con las características de baja latencia y alta precisión, y admite traducción de voz a voz en tiempo real entre chino e inglés — el audio del hablante puede introducirse en tiempo real en el modelo Hy-SimulMT, que traduce mientras escucha, entregando la traducción y la voz en tiempo real, y admite la clonación de timbre vocal en tiempo real, pudiendo reproducir fielmente la voz y el tono del hablante. El modelo se estrena en la App de traducción Hy de Tencent,con una experiencia de servicio gratuita。
Según la introducción oficial, la baja latencia es uno de los puntos destacados del modelo; el tiempo de respuesta del gran modelo de interpretación simultánea Hunyuan Hy-SimulMTse midió en alrededor de 3 segundos en pruebas, mientras que el promedio de los intérpretes profesionales humanos está entre 4 y 5 segundos. Los resultados de la evaluación muestran que el efecto de traducción del modelo supera a los principales modelos de interpretación simultánea de código abierto del mercado, e incluso supera a la mayoría de las API comerciales de interpretación simultánea.
Según la versión oficial, en RealSI, un conjunto de evaluación de código abierto de audio largo de uso habitual en la industria, Hy-SimulMT mostró un buen rendimiento de interpretación simultánea, como se ve en la siguiente figura:
StreamLAAL en el eje horizontal representa el indicador de latencia de la interpretación simultánea, que refleja los segundos de retraso de la salida de traducción del modelo respecto al audio de entrada; cuanto más bajo, mejor. El eje vertical representa la calidad de la traducción, puntuada con GPT6.1-Sol; cuanto más alta, mejor. Hy-SimulMT logra la latencia más baja alcanzando el mejor rendimiento entre los modelos de código abierto, e incluso supera a la mayoría de las API comerciales.
En el conjunto de pruebas de audio corto, Hy-SimulMT también tuvo un buen desempeño, como se ve en la siguiente figura:
Para evaluar con mayor precisión el nivel real de Hy-SimulMT, el equipo recopiló ampliamente, dentro de lo permitido por la normativa, audios nuevos en chino e inglés aparecidos en Internet, que abarcan diez ámbitos: software e IA, medicina, manufactura y energía, ciencias naturales, agricultura y alimentos, gestión empresarial, derecho, educación, cultura y turismo, y deporte y vida cotidiana,implicando múltiples escenarios como discursos, entrevistas y conferencias。
Sobre estos datos, el equipo no solo probó el rendimiento de Hy-SimulMT, sino que también invitó a varios expertos humanos en interpretación simultánea a interpretar estos audios.
Los expertos humanos en interpretación simultánea fueron 6 en total, de los cuales 3 poseen el certificado de interpretación CATTI de nivel uno y 3 el certificado CATTI de nivel dos; todos los expertos tienen años de experiencia práctica en interpretación simultánea. La evaluación comparó la interpretación de Hy-SimulMT y la de los expertos humanos en latencia y calidad de traducción, seleccionando para los expertos humanos la puntuación más alta entre las 3 personas. En esta evaluación de posicionamiento de capacidades,Hy-SimulMT alcanzó el nivel de los expertos humanos en interpretación simultánea en calidad de traducción (con puntuación más alta) y fue más rápido (con menor latencia)。
Referencias: