腾讯开源中英语音同传模型 Hy-SimulMT

腾讯混元开源的 Hy-SimulMT，想解决的是实时翻译里的一个老问题：等得久，交流就容易断；译得快，又可能丢掉意思。它支持中英语音到语音翻译，官方称实测响应时间约 3 秒，并能在翻译时还原说话人的声音和语气。

最吸引眼球的是「超过人类译员」，但这个结论需要拆开看。现有材料提供了长短音频评测和人工对比，却没有交代全部评分细节。对开发者来说，更有用的是看清它测了什么，以及距离实际可用还缺哪些验证。

约 3 秒响应，究竟快在哪里

据 IT之家 10 月 26 日报道，Hy-SimulMT 已发布并开源，并在腾讯 Hy 翻译 App 首发，提供免费体验。

它接收持续输入的音频，边听边生成译文和语音。这里的关键是「边听边译」：系统不必等整段话说完，再一次性交付翻译结果。它还支持实时音色克隆，官方称可以高度还原说话人的声音和语气。

官方给出的实测响应时间在 3 秒左右，人类专业译员平均为 4-5 秒。不过，原文没有说明这项「响应时间」从哪个时刻开始计时，也没有说明它测到的是首段文字、首段译音，还是其他输出节点。

约 3 秒是官方报告的实测结果，不能直接当作所有使用环境下的延迟承诺。

此外，「已经开源」也不等于接入条件已经清楚。原文没有提供模型规模、许可证、硬件需求、部署方式或接口说明，暂时无法据此判断普通开发团队的部署成本。

「超过人类」依靠哪些评测

第一组证据来自长音频开源评测集 RealSI。官方用两个维度比较同传系统：

• 横轴是 StreamLAAL，衡量模型输出译文相对输入音频的延迟秒数，越低越好。
• 纵轴是翻译质量，由 GPT6.1-Sol 打分，越高越好。

这个比较方式有价值。同传不能只看翻译是否准确，还要看为了准确等了多久。一个系统如果必须听完整段才能给出好译文，就未必适合实时交流。

官方称，Hy-SimulMT 在 RealSI 上同时取得最低延迟和开源模型中的最佳效果，并超过大多数商业 API。短音频测试集也表现较好，但原文没有给出该测试集的名称和具体分数。

需要保留一个信息边界：输入材料中的三张图都指向同一个图片地址，没有可供核对的具体点位、分数和对手名单。因此，这里只能转述官方结论，不能进一步算出领先幅度。

第二组证据更接近真实内容。团队在合规允许范围内，收集互联网上新出现的中英文音频，覆盖软件 AI、医学、制造能源、自然科学、农业食品、商务管理、法律、教育、文化文旅、体育生活，共十个领域，包含演讲、访谈和会议等场景。

参与对比的同传专家共有 6 位，其中 3 位持有 CATTI 一级口译证书，3 位持有 CATTI 二级口译证书，均有多年实战经验。官方称，Hy-SimulMT 在这次测评中的翻译质量得分更高、延迟更低。

但原文同时写到，人类成绩取「3 个人中的最高分」。这与总计 6 位专家是什么关系，是否按翻译方向分组，材料没有说明；人工对比部分是否沿用 GPT6.1-Sol 评分，也没有交代。

我的判断

我认可这次评测同时观察质量和延迟，也认可用多个领域、不同场景的音频补充公开测试集。它比单独展示几段流畅的翻译，更能说明模型的能力范围。

但「超过人类译员」仍应限定为：按照官方报告，Hy-SimulMT 在这次测评的样本和评分规则下，得分与速度优于参与比较的专家。

它不能直接推出模型能在任意会议里替代专业同传。原文没有提供样本规模、评分提示词、统计波动，也没有展开噪声、多人交叠说话等条件下的表现。GPT6.1-Sol 的评分是一项评估依据，距离完整的业务验收还有差距。

与商业同传 API 相比，官方声称它的效果超过大多数对手，但没有列出足够详细的比较条件。与团队现有翻译方案相比，原文也没有部署成本和接入复杂度数据。选择依据应该是自己的音频和验收标准，而不是只看「开源」或「超人类」两个标签。

能拿来做什么

• 如果经常听中英文技术演讲，可以先通过腾讯 Hy 翻译 App 免费体验，重点观察软件 AI 术语、长句和数字信息的翻译，看看是否适合自己的内容。
• 如果正在做实时翻译产品，可以准备一批经过授权、贴近实际业务的音频，同时记录译文质量与输出延迟，避免只凭一段演示决定接入。
• 如果计划自行部署，应先补齐许可证、模型规模、硬件需求和接口资料。原文没有提供这些信息，暂时不足以估算项目成本。
• 如果需要评估音色克隆，应把声音还原度与翻译准确性分别验收。声音听起来像原说话人，并不能证明内容翻译正确。