Hy-SimulMT - 腾讯混元推出的实时同声传译大模型

Hy-SimulMT是什么

Hy-SimulMT是腾讯混元推出的同声传译大模型，专攻中英双向的实时互译。Hy-SimulMT采用30B参数稀疏MoE架构，能边听边译，响应时延约3秒，快于人类译员的4–5秒；翻译时可实时克隆说话人音色，多人对话能区分不同声线。模型在RealSI评测中做到延迟与质量双优，达到专业译员水平，且支持私有化部署与微调。

Hy-SimulMT的功能特色

• 中英双向语音同传：音频可持续流入，模型边听边译、同步输出译文，无需等说话人讲完。
• 实时音色克隆：译文可保留说话人本人的音色语气，多人对话时能区分还原不同声音。
• 文本语音双输出：除翻译语音外还能输出文本，Interleave 版可额外给出源语识别结果。
• 3秒级低延迟：实测同传延迟约3秒，快于人类专业译员4–5秒的水平。
• 先开口后修补：增量理解、尽早开口，后续信息补全后自动修正先前译语，模拟人类译员习惯。
• 稀疏MoE大模型：30B参数、每次仅激活3B，兼顾翻译质量与推理成本，适合实时在线场景。
• 模块化TTS设计：语音合成与音色克隆由独立组件承担，可灵活接入第三方TTS服务。

Hy-SimulMT的核心优势

• 延迟开源最低：StreamLAAL约3秒，比CATTI一、二级译员的4.5–4.7秒更快，是同类开源同传模型中响应最快的。
• 速度与质量兼得：在RealSI长音频评测中同时拿到最低延迟和最高GEMBA分数，超过5个商用API中的4个。
• 比肩人类专家：与6位CATTI持证同传专家的盲测中，综合得分和响应速度均不落下风，部分领域甚至更高。
• 音色还原自然：翻译语音能高度保留说话人原声，多人场景下听者可分辨谁在发言，沟通体验更接近原声交流。

Hy-SimulMT官网是什么

• Repositorio GitHub：https://github.com/Tencent-Hunyuan/Hy-SimulMT
• Biblioteca de modelos HuggingFace：https://huggingface.co/collections/tencent/hy-simulmt

Hy-SimulMT的使用步骤

• Obtener código::git clone https://github.com/Tencent-Hunyuan/Hy-SimulMT.gitEntre en el catálogo de proyectos.
• Servicios de implantación: Acceso SimulInfer/ 目录，执行 bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave 完成一键安装。
• 接入TTS：如需语音输出和音色克隆，在 config.toml 中填写TTS服务配置；只做文本翻译可跳过。
• 网页体验：终端出现 Ready: http://127.0.0.1:8080/ 后，浏览器打开该地址，选好翻译方向后上传音频或直接对着麦克风说话，点「Stop and finish」结束。
• llamada de interfaz: a través de curl -N http://127.0.0.1:8080/translate/stream -F direction=en-zh -F file=@audio.wav 上传文件，或使用仓库自带的 simulinfer-client 客户端获取结果。

Hy-SimulMT的适用人群

• 国际会议与活动工作者：外宾接待、志愿者服务、现场沟通等场景需要低成本实时翻译支持的人员。
• 跨国商务人士：频繁参加中英双语会议、谈判的职场人，可各用母语发言和聆听。
• 演讲者与培训师：学术讲座、企业内训、公开课等长时间单人发言场景，可将其作为辅助理解工具。
• 媒体内容从业者：采访、播客、纪录片等多人对谈场景，需要区分不同说话人音色并完成实时译制。
• 涉外服务人员：机场、酒店、展会、餐厅等窗口岗位，用于与外国游客的基础面对面交流。

Hy-SimulMT的常见问题

Q1：Hy-SimulMT 支持哪些语言？

A1:目前主打中英双向互译（语音进、语音出），其他语种暂无官方支持。

Q2：翻译延迟是多少？实测体感如何？

A2：官方StreamLAAL指标约3秒，快于人类译员4–5秒。但该指标不等同于"听到第一句译文的等待时间"，实际体感受句长、语速和TTS配置影响，可能略长。

Q3：免费吗？可以商用吗？

A3：模型采用Apache-2.0协议开源，允许商用和二次开发；普通用户可通过腾讯Hy翻译App免费体验。

Q4：一定要自己配置TTS才能用吗？

A4：不是。模型本体完成识别+翻译并输出文本，不配TTS可直接用纯文本翻译；需要语音输出和音色克隆时才需配置TTS服务。

Q5：需要什么硬件配置？

A5：30B-A3B稀疏MoE架构虽每次只激活约3B参数，但加载完整模型仍需较大显存，建议部署前先查阅仓库的硬件要求说明，也可选用FP8或GGUF量化版本降低资源占用。