2026 年 10 月 26 日——腾讯混元今日发布并开源同声传译大模型 Hy-SimulMT（规格 30B-A3B，模型权重以 Apache 2.0 许可证开源），支持中英双向语音到语音实时翻译：模型以流式方式持续接收说话人音频，边听边译，同步输出译文文本与合成语音，并集成实时音色克隆能力，在目标语言中保留原说话人的音色与语气。官方模型卡数据显示，在长音频开源评测集 RealSI 上，该模型的流式翻译延迟指标 StreamLAAL 约 3 秒，为参评系统最低；翻译质量得分（GEMBA）超过参评开源模型和 5 家商用 API 中的 4 家。

模型已在腾讯 Hy 翻译 App（Android/iOS）首发上线，免费提供体验；开源侧同步放出模型权重、SimulInfer 推理服务与 SimulTrain 训练工具。

1. 开源资产：6 个模型仓库与推理训练工具

模型权重已在 Hugging Face 与 ModelScope 同步上架，共 6 个仓库（据官方模型卡 Model Links 表）：

模型变体 输出方式 格式
Hy-SimulMT-30B-A3B 仅输出译文 原生权重
Hy-SimulMT-30B-A3B-FP8 仅输出译文 FP8 量化
Hy-SimulMT-30B-A3B-GGUF 仅输出译文 GGUF
Hy-SimulMT-30B-A3B-Interleave 原文与译文输出 原生权重
Hy-SimulMT-30B-A3B-Interleave-FP8 原文与译文输出 FP8 量化
Hy-SimulMT-30B-A3B-Interleave-GGUF 原文与译文输出 GGUF

GitHub 仓库 Tencent-Hunyuan/Hy-SimulMT 提供 SimulInfer 推理服务（网页界面、音频文件上传、WebSocket 实时音频输入、可选 TTS 音色克隆输出）与 SimulTrain 训练工具；语音输出与音色克隆需另行配置 TTS 服务。

2. 评测数据：延迟最低档，质量超多数商用 API

长音频评测（RealSI）：官方在开源长音频同传评测集 RealSI 上，将 Hy-SimulMT 与多个开源同传模型及商用 API 横向对比。图中横轴 StreamLAAL 为流式翻译延迟指标（单位秒，越低越好），反映模型输出译文相对输入音频的滞后时长；纵轴为 GEMBA 翻译质量分（越高越好，官方介绍称由 GPT-6.1-Sol 打分）。Hy-SimulMT 的 StreamLAAL 约 3 秒，为参评系统最低，GEMBA 得分超过参评开源模型与 5 家商用 API 中的 4 家。官方同时注明：StreamLAAL 不等于首句语音输出的等待时间。另据官方介绍（IT之家转述），人类专业同传译员的平均反应时间为 4-5 秒。

短音频基准：官方在 FLEURS、CoVoST2、ACL6060、RealSI-Sentence 四个公开短音频基准上测试了 Hy-SimulMT 与多个同传系统（据官方模型卡，分数越高越好）：

系统 FLEURS CoVoST2 ACL6060 RealSI-Sentence
Qwen3.8-LiveTranslate 88.4 82.1 80.5 84.4
Hy-SimulMT 90.3 75.5 81.2 84.7
Gemini3.5-LiveTranslate 92.4 74.4 82.6 82.2
Confucius4 R2T2→T3PO 89.4 76.8 76.1 77.7
Seed-LiveInterpret2.0 85.8 67.7 74.8 80.0
SimulS2ST-Omni 78.6 66.6 73.1 77.4
GPT-Realtime-Translate 77.7 50.8 76.4 76.7
讯飞 Simult-Interpretation 73.4 57.0 57.5 70.9
SeamlessStreaming 72.8 60.9 49.8 56.9

官方说明：表中开源模型里，Hy-SimulMT 在 FLEURS、ACL6060、RealSI-Sentence 三项得分领先，其中 RealSI-Sentence 的 84.7 分为全部参评系统最高；CoVoST2 一项低于 Qwen3.8-LiveTranslate 与 Confucius4。

真实音频人机对比：研发团队收集了 18 段 2026 年 9 月以来互联网新出现的中英文音频，每段约 6 分钟，覆盖软件与 AI、医学、制造与能源、自然科学、农业与食品、商务管理、法律、教育、文化与文旅、体育与生活共 10 个领域，涉及演讲、访谈、会议等场景；并邀请 6 位职业同传译员对照翻译（3 位持 CATTI 一级口译证书、3 位持 CATTI 二级口译证书，每个证书级别取 3 人中的最高分参与对比）。官方结论为：在该小规模能力评估中，Hy-SimulMT 翻译质量与人类同传专家持平，且通常响应更快（延迟更低）。官方同时限定：该结论仅适用于本次测试使用的样本、译员与评测设置，不构成对语音质量、音色相似度等维度的综合评估。

3. 模型架构与本地部署

模型权重仓库的 config 文件显示，Hy-SimulMT 基于 hy_v3 架构（HYV3SpeechForCausalLM），采用 MoE（混合专家）结构：128 个路由专家、每 token 激活 8 个，另有 1 个共享专家，48 层 Transformer，上下文长度 262144（约 25.6 万 token）；模型内置 24 层音频编码器，按 16kHz 采样率处理 128 mel 频带音频。规格后缀 30B-A3B 遵循 MoE 命名惯例，即总参数约 30B、激活参数约 3B。

本地部署方面，官方推荐 vLLM（0.31 及以上版本，需支持 HYV3ForCausalLM 架构）运行模型，SimulInfer 提供一键部署脚本，默认网页/API 端口 8080、模型端口 8800；llama.cpp 对该模型的支持尚未合入官方仓库，GGUF 权重已先行提供，官方建议等待支持该架构的 llama.cpp 新版本发布后再使用。

官方模型卡收录了广东外语外贸大学高级翻译学院副院长王巍巍、该校原校长仲伟合教授的评价：前者称模型目标语语音自然、采取先开口后自我修正的策略，接近人类译员的工作方式；后者认为模型在语音识别稳定性、响应速度与口语译文质量上表现出较高的工程成熟度（官方收录口径）。