腾讯混元开源 Hy-SimulMT：中英同传延迟约 3 秒，音色跟着走

10 月 26 日，腾讯混元发布并开源 Hy-SimulMT：一个边说边译的中英双向语音同传模型，Apache 2.0 许可，权重放在 Hugging Face 官方 tencent 组织下，代码在 GitHub Tencent-Hunyuan。它不等一句话说完再翻——音频流连续进入，模型在说话人还在讲的时候就开始输出译文文本与合成语音，靠实时音色克隆保留说话人的嗓音特征。同批放出六个仓：主仓只输出译文，Interleave 版同时给出原文与译文，两系各有 FP8 与 GGUF 量化版，另配 SimulInfer 推理服务与 SimulTrain 训练工具。

评估走两条线。长音频用开源的 RealSI 集，横轴是流式延迟 StreamLAAL、纵轴是翻译质量 GEMBA：混元报 StreamLAAL 约 3 秒，是参评里最低的，GEMBA 高于所有对比的开源模型和五个商业 API 中的四个。四个短音频基准上，FLEURS 90.3、ACL6060 81.2、RealSI-Sentence 84.7（全表最高），只有 CoVoST2 的 75.5 低于 Qwen3.8-LiveTranslate 的 82.1。另做了小样本人机对照：18 段 9 月后新上线的中英文录音、六名 CATTI 一/二级译员，官方结论是质量相当、延迟常常更低。

它改的是一件具体的事：同传此前基本锁在闭源商业 API 里（Gemini 与 Qwen 的 LiveTranslate、讯飞同传），现在有一套 Apache 2.0 的中英同传权重可以自托管，也能在腾讯 Hy 翻译 App 里直接试。需要打折的地方：语音输出与音色克隆要另配 TTS 服务，不是模型自带；数字全是厂商自测，人机对照只覆盖 18 段样本，官方写明它不构成对音质与音色相似度的全面评估；语言只到中英双向；30B-A3B 是 30B 总参、3B 激活的 MoE。

原文链接：腾讯混元官方模型卡