返回首页

Hy-SimulMT

huggingface+x 0.85
访问原文

介绍

Hy-SimulMT 是腾讯混元（Tencent Hunyuan）于 2026 年 10 月 26 日发布并开源的实时同声传译模型，支持中英双向“语音到语音”同传：它持续接收音频，在说话人讲话的同时输出译文文本和语音，并通过实时音色克隆保留原说话人的声音特征。

核心模型为 Hy-SimulMT-30B-A3B（约 30B 参数的 MoE 模型，激活约 3B），已发布在 Hugging Face 与 ModelScope，模型卡标注 Apache-2.0 许可；代码仓库为 GitHub Tencent-Hunyuan/Hy-SimulMT，包含 SimulInfer 推理服务和 SimulTrain 训练工具。也可以在 Hy Translate（混元翻译）App 中直接体验。

Hugging Face 官方账号 @HuggingPapers 在 X 上介绍：“腾讯刚刚在 Hugging Face 发布了 Hy-SimulMT——一个延迟约 3 秒、支持音色克隆的实时同传模型。”

解释

关键特点

  • 边听边译：面向会议、演讲、访谈等实时场景，在“等待更多上下文”与“尽早开口”之间取平衡
  • 低延迟：在 RealSI 长音频评测中，StreamLAAL（流式翻译滞后指标）约 3 秒，为对比系统中最低（注意 StreamLAAL 不等于首句语音输出时间）
  • 译文质量：GEMBA 分数超过对比的开源模型，并超过 5 个商业 API 中的 4 个
  • 音色克隆：生成目标语言语音时保留说话人音色，多人对话时更容易分辨是谁在说话（语音输出需配置 TTS 服务）

短音频基准（官方自报，分数越高越好）

模型 / API FLEURS CoVoST2 ACL6060 RealSI-Sentence
Hy-SimulMT 90.3 75.5 81.2 84.7
Qwen3.8-LiveTranslate 88.4 82.1 80.5 84.4
Gemini3.5-LiveTranslate 92.4 74.4 82.6 82.2
Seed-LiveInterpret2.0 85.8 67.7 74.8 80.0
GPT-Realtime-Translate 77.7 50.8 76.4 76.7

官方还用 2026 年 9 月以后新出现的 18 段中英音频（每段约 6 分钟，覆盖 10 个领域）与持有 CATTI 一级、二级口译证书的 6 位译员做了小规模对比，称其译文质量与专业同传相当、响应往往更快；官方也强调这只适用于该测试样本和设置。

模型版本

模型 说明
Hy-SimulMT-30B-A3B 仅输出译文
Hy-SimulMT-30B-A3B-Interleave 同时输出原文与译文
以上两者的 -FP8 / -GGUF 版本 FP8 量化 / GGUF 格式

用法

如何部署（vLLM）

需要 Linux、Python 3.12+、Git、显存足够的 NVIDIA GPU；已有环境需 vLLM >= 0.31（支持 HYV3ForCausalLM）并安装 simulst。

git clone https://github.com/Tencent-Hunyuan/Hy-SimulMT.git Hy-SimulMT
cd Hy-SimulMT/SimulInfer
bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave

看到 Ready: http://127.0.0.1:8080/ 后打开网页，选择翻译方向，上传音频或开启麦克风即可（远程使用麦克风需要 HTTPS）。命令行上传文件：

curl -N http://127.0.0.1:8080/translate/stream \
  -F direction=en-zh -F [email protected]
  • 已有模型服务时：bash deploy.sh --backend-url http://model-host:8800/v1
  • 多卡：--gpus 0,1 --tensor-parallel-size 2
  • llama.cpp：GGUF 支持尚未合入官方 llama.cpp，官方建议等待新版本
  • 继续训练：使用仓库中的 SimulTrain

适合谁

  • 需要中英实时同传的会议、直播、访谈场景
  • 想在自有 GPU 上私有化部署同传能力的团队

官方提示：在需要严格问责或高风险决策的场景，专业译员仍然重要。联系邮箱：[email protected]