Le 26 octobre, le grand modèle de traduction simultanée Hy-SimulMT de Tencent Hunyuan a été publié et ouvert en open source, prenant en charge la traduction vocale en temps réel du chinois vers l'anglais : l'audio du locuteur peut être entré en temps réel dans le modèle, qui traduit tout en écoutant et produit simultanément le texte traduit et la voix, avec prise en charge du clonage de timbre en temps réel pour restituer la voix et le ton du locuteur. Le modèle a été lancé en première pour un essai gratuit sur l'application de traduction Hy de Tencent, et le dépôt open source est simultanément disponible sur HuggingFace, ModelScope et GitHub.
La faible latence est l'indicateur central du modèle : le temps de réponse mesuré est d'environ 3 secondes, inférieur à la moyenne de 4 à 5 secondes des interprètes professionnels humains. Dans une comparaison avec 6 experts interprètes certifiés (3 experts CATTI niveau 1 et 3 experts CATTI niveau 2) sur des audios couvrant dix domaines tels que les logiciels et l'IA, la médecine, la fabrication et l'énergie, la gestion commerciale, etc., Hy-SimulMT affiche une latence StreamLAAL de 3.3 secondes, supérieure aux 4.5 secondes des experts CATTI niveau 1 et aux 4.7 secondes des experts niveau 2, avec une qualité de traduction atteignant le niveau des experts humains en interprétation simultanée.
Sur l'ensemble d'évaluation pour longs audios RealSI, où StreamLAAL mesure la latence et GEMBA mesure la qualité de traduction (notée par GPT6.1-Sol), Hy-SimulMT obtient environ 86 points avec une latence d'environ 3.1 secondes, présentant la latence la plus faible et la meilleure qualité parmi les modèles open source, dépassant la plupart des API commerciales d'interprétation simultanée. Dans les quatre tests sur audios courts, son score RealSI-Sentence de 84.7 est le plus élevé de l'ensemble, FLEURS90.3 et ACL606081.2 se classant premiers parmi les modèles open source, tandis que Gemini3.5-LiveTranslate arrive premier dans chaque épreuve avec FLEURS92.4 et ACL606082.6.
Le modèle contrôle la latence grâce à une stratégie consistant à « commencer à parler, puis corriger », les corrections étant proches de l'auto-correction des interprètes. Wang Weiwei, vice-doyenne de l'Institut supérieur d'interprétation et de traduction de l'Université des langues étrangères du Guangdong, et le professeur Zhong Weihe, ancien vice-président permanent de l'Association chinoise de traduction, estiment que la stabilité de sa reconnaissance vocale, sa vitesse de réponse en interprétation simultanée et la qualité de sa restitution orale sont toutes remarquables, faisant avancer l'interprétation simultanée automatique vers des scénarios réels.