10月26日,腾讯混元同声传译大模型 Hy-SimulMT 发布并开源,支持中英语音到语音实时翻译:说话人音频可实时输入模型,边听边译同步输出译文与语音,并支持实时音色克隆,还原说话人声音与语气。模型已在腾讯 Hy 翻译 App 首发免费体验,开源仓库同步上线 HuggingFace、ModelScope 与 GitHub。
低时延是该模型核心指标,实测响应约3秒,低于人类专业译员4-5秒的平均水平。在与6位持证同传专家(3位 CATTI 一级、3位 CATTI 二级)就软件 AI、医学、制造能源、商务管理等十个领域音频的对比中,Hy-SimulMT 的 StreamLAAL 延迟3.3秒,优于 CATTI 一级专家的4.5秒与二级专家的4.7秒,翻译质量达到人类同传专家水平。
长音频评测集 RealSI 上,StreamLAAL 衡量延迟、GEMBA 衡量翻译质量(由 GPT6.1-Sol 打分),Hy-SimulMT 以约3.1秒延迟取得约86分,延迟最低且质量为开源模型最佳,超过多数商用同传 API。短音频四项测试中,其 RealSI-Sentence 得分84.7为全场最高,FLEURS90.3、ACL606081.2居开源模型首位,Gemini3.5-LiveTranslate 以 FLEURS92.4、ACL606082.6分列单项第一。
模型以"先开口、后修补"策略控制延迟,修补听感接近译员自我修正。广外高翻学院副院长王巍巍、中国翻译协会原常务副会长仲伟合教授认为,其语音识别稳定性、同传响应速度与译语播报质量均表现不俗,推动机器同传走进真实场景。