腾讯开源同传，3 秒出译文

10 月 26 日，腾讯混元发布并开源同声传译大模型 Hy-SimulMT，支持中英双向语音到语音实时翻译：说话人的音频边输入，模型边听边译，直接给出译文和语音，并能实时克隆说话人音色、还原语气。模型已在腾讯「Hy 翻译」App 首发，免费开放体验。

规格上是 30B-A3B 的 MoE 结构，总参数约 304 亿、每个词元激活约 30 亿，48 层、128 个路由专家加 1 个共享专家。权重以 Apache 2.0 协议在 Hugging Face、ModelScope、GitHub 同步开源，另有 FP8 量化版与 GGUF 版，BF16 单文件约 60.8GB；官方没开放托管 API，想批量用得自己部署。

延迟是它主打的点。官方实测响应时间约 3 秒，人类专业译员平均 4 至 5 秒。长音频评测集 RealSI 上，StreamLAAL 约 3 秒，官方称在对比系统中最低；短音频四项基准为 FLEURS 90.3、CoVoST2 75.5、ACL6060 81.2、RealSI-Sentence 84.7。跟同行比互有胜负：FLEURS、ACL6060 高于阿里 Qwen3.8-LiveTranslate 的 88.4、80.5，CoVoST2 低于对方的 82.1；与 Gemini3.5-LiveTranslate 的 92.4、74.4、82.6、82.2 也是各有上下。

人工对比做的是小样本：6 位同传专家，3 位持 CATTI 一级、3 位持二级，覆盖软件 AI、医学、制造能源、法律、教育等十个领域的 18 段真实音频，结论是翻译质量达到专家水平、延迟更低。官方自己注明，这个结论只适用于此次样本与设置。

对普通人意味着什么：一是开会、听课、看海外直播，不用再等字幕滚动，戴耳机就能听懂，而且输出的是说话人自己的音色；二是权重开源且可商用，做外贸、跨境、培训的小团队可以自己部署，不必按分钟买商用同传 API，长期成本差别很大；三是低风险场景先上，签合同、看病、打官司这类要担责的场合，还是得靠人——机器快，但不负责。

出处：IT之家 · 原文发布：2026-10-26