El 26 de octubre, Tencent Hunyuan lanzó y publicó como código abierto el gran modelo de interpretación simultánea Hy-SimulMT, que admite traducción de voz a voz en tiempo real entre chino e inglés: el audio del hablante puede introducirse en el modelo en tiempo real, que traduce mientras escucha y genera de forma sincronizada el texto traducido y la voz, además de admitir la clonación de timbre en tiempo real, reproduciendo la voz y el tono del hablante. El modelo se estrenó con experiencia gratuita en la app de traducción Hy de Tencent, y los repositorios de código abierto están disponibles simultáneamente en HuggingFace, ModelScope y GitHub.
La baja latencia es el indicador central del modelo: en pruebas reales responde en unos 3 segundos, por debajo del promedio de 4 a 5 segundos de los intérpretes profesionales humanos. En una comparación con 6 intérpretes simultáneos certificados (3 de nivel CATTI 1 y 3 de nivel CATTI 2) sobre audios de diez ámbitos, como software e IA, medicina, manufactura y energía, y gestión comercial, Hy-SimulMT logró una latencia StreamLAAL de 3.3 segundos, mejor que los 4.5 segundos de los expertos de nivel CATTI 1 y los 4.7 segundos de los de nivel CATTI 2, con una calidad de traducción al nivel de los intérpretes humanos profesionales.
En el conjunto de evaluación de audio largo RealSI, donde StreamLAAL mide la latencia y GEMBA mide la calidad de traducción (puntuado por GPT6.1-Sol), Hy-SimulMT obtuvo unos 86 puntos con una latencia de unos 3.1 segundos, logrando la latencia más baja y la mejor calidad entre los modelos de código abierto, superando a la mayoría de las API comerciales de interpretación simultánea. En las cuatro pruebas de audio corto, obtuvo 84.7 puntos en RealSI-Sentence, el más alto de toda la comparación, y con FLEURS90.3 y ACL606081.2 se situó primero entre los modelos de código abierto, mientras que Gemini3.5-LiveTranslate quedó primero en cada una de esas pruebas por separado con FLEURS 92.4 y ACL606082.6.
El modelo controla la latencia con una estrategia de "empezar a hablar primero y corregir después", y las correcciones se perciben de forma similar a la autocorrección de los intérpretes. Wang Weiwei, vicedecana de la Escuela de Interpretación y Traducción de la Universidad de Estudios Extranjeros de Guangdong, y el profesor Zhong Weihe, exvicepresidente permanente de la Asociación de Traductores de China, consideraron que su estabilidad de reconocimiento de voz, velocidad de respuesta en interpretación simultánea y calidad de locución de la traducción son notables, impulsando la entrada de la interpretación simultánea automática en escenarios reales.