Tencent Hunyuan выпустила и сделала общедоступной модель Hy-SimulMT — систему одновременного перевода, которая осуществляет перевод китайской речи на английский и наоборот, пока говорящий еще говорит. Эта модель воспроизводит голос говорящего в режиме реального времени, позволяя слушателям слышать перевод, который очень близок к оригинальному голосу.
Согласно информации от IT Home, а также страницам проекта на GitHub и Hugging Face, модель изначально доступна в приложении Hy Translate бесплатно. Ключевым параметром является задержка; Tencent измеряет ее с помощью стандартного показателя для потокового перевода StreamLAAL и сообщает о значении около 3 секунд на длинном бенчмарке RealSI, что является самым низким среди сравниваемых систем. При этом проект уточняет, что StreamLAAL отличается от времени, которое требуется для прослушивания первого переведенного высказывания.
Для сравнения, IT Home указывает, что типичная задержка у профессиональных человеческих переводчиков составляет от 4 до 5 секунд. Что касается качества, показатель GEMBA модели Hy-SimulMT в длинных речах превзошел открытые модели в сравнении и четыре из пяти протестированных коммерческих API. На коротких наборах данных она показала результаты 90.3 на FLEURS, 75.5 на CoVoST2, 81.2 на ACL6060 и 84.7 на RealSI-Sentence, причем последний показатель оказался самым высоким среди всех перечисленных систем.
Команда также провела сравнение модели с человеческими переводчиками на 18 записях продолжительностью около шести минут каждая, которые были записаны с сентября 2026 года в 10 различных областях. В исследовании приняли участие шесть переводчиков: трое обладали сертификатом CATTI Уровень 1, признанным в Китае, а трое — Уровень 2, и использовался лучший результат от каждого уровня. Tencent называет это оценкой в малом масштабе. Ван Цзывэй, заместитель декана Школы интерпретации и переводческих исследований Гуандунского университета иностранных языков, отметил в заявлении, опубликованном к выпуску, что система сначала говорит, а затем корректирует себя, подобно человеку-переводчику, и что ИИ-перевод движется от помощи в понимании к пригодной для использования коммуникации в условиях низкого риска.
Выпущенная модель представляет собой систему типа mixture-of-experts с 30B-A3B, доступную в сборках FP8 и GGUF, а также с вариантом Interleave, который также выдает исходную стенограмму. На странице Hugging Face указана лицензия Apache 2.0. Tencent поставляется с двумя инструментами: SimulInfer, стеком обслуживания, построенным на vLLM с веб-интерфейсом, WebSocket API и опциональным преобразованием текста в речь, и SimulTrain для дальнейшего обучения на предметных данных. Интеграция с llama.cpp еще не завершена.
Этот релиз следует за более ранними открытыми моделями перевода от Hunyuan и знаменует переход от текстового формата к живой речи — среде, где задержка имеет наибольшее значение.
