免责声明：本站与 Tencent Hunyuan 官方无关。
YuliusWiki
🌐 English Version发布日期:•最后更新:•yulius
腾讯 Hy-SimulMT-30B-A3B 是什么？延迟约 3 秒的中英实时同传开源模型
快速答案
腾讯混元中英实时同传模型，延迟约3秒，30B MoE每步仅激活3B；Apache-2.0开源。
腾讯混元 2026 年 10 月 26 日发布并开源了 Hy-SimulMT：一个中英双向的实时语音同传模型——说话人一边说，它一边把翻译说出来，同时输出翻译文本与语音，还能实时克隆说话人的音色。模型集合上线 Hugging Face（本次扫描词为 FP8 版 tencent/Hy-SimulMT-30B-A3B-FP8）、ModelScope 与 GitHub，另有 Hy Translate App 可试用。先说清楚三点：第一，延迟与质量数字全部是厂商自报（preliminary），目前没有第三方复现；第二，它只做中英双向，别按 33 语的文本翻译模型去理解；第三，Hugging Face 托管 API 暂未提供，落地以自部署为主。\n\n免责声明：本站与腾讯无关；本文为产品技术报道与分析，不构成采购、部署或投资建议。延迟与质量数字为厂商自报口径，标注 preliminary；部署与许可信息以官方页面为准，可能变化。
一、是什么：边说边译的中英语音同传，3 天前刚开源
同传和普通翻译不是一回事：普通翻译是等一句话说完再翻，同传是说话人还没说完就得开始翻，延迟本身就是质量的一部分。Hy-SimulMT 就是为这个场景做的：持续接收说话人音频，边听边译，同时输出翻译文本与语音；实时声音克隆让译文保留说话人自己的音色，而不是换成一个标准播音腔。面向的场景写得很具体：会议、演讲、采访这类直播沟通。\n\n发布时间线：2026 年 10 月 26 日腾讯混元发布并开源，Hugging Face 模型页、ModelScope 与 GitHub 仓库同步上线，另有 Hy Translate App 可直接试用。本文写于 10 月 29 日，词龄 3 天，不存在过时问题。先划清一个容易搞混的边界：名字里的 30B-A3B 和混元 5 月发布的 Hy-MT2-30B-A3B 一致，都是 30B 总参数、每 token 激活约 3B 的 MoE，但 Hy-MT2 是 33 语的文本翻译家族，Hy-SimulMT 是只做中英双向的实时语音同传——语种覆盖完全不同，选型时别按文本翻译那套去套。
二、延迟与质量：约 3 秒是什么口径，和人工比赢在哪里
延迟指标叫 StreamLAAL（流式平均滞后），可以理解成“话音落下后多久听到译文”的平均等待。厂商在 RealSI 长音频评测里给出的数字是约 3 秒，为对比中最低；另一组更具体的对比是：6 位持证同传译员（3 位 CATTI 一级、3 位二级）在软件 AI、医疗、制造能源、企业管理等 10 个音频领域里和模型同场比，模型为 3.3 秒，一级译员 4.5 秒，二级 4.7 秒——本站复算：模型比一级快约 27%，比二级快约 30%。质量口径：厂商称翻译质量与人工同传相当，GEMBA 分数超过对比的开源模型与 5 家商业 API 中的 4 家。\n\n必须标注清楚：以上全部是厂商自报（preliminary），没有第三方复现；而且两组延迟数字（约 3 秒与 3.3 秒）来自不同的评测切面，不要拼成一个数字去引用。另有一条第三方提醒值得原样保留：这项研究没有确立模型在医疗、法律、技术或嘈杂对话语音上的等效表现——也就是说，发布会、采访这类相对干净的场景是它的主场，高风险专业场景与嘈杂环境不在已证明的范围内。
三、MoE 与六个变体：30B 的知识量，3B 的计算量
模型结构是 MoE（混合专家）：总参数 30B，但每个 token 只激活约 3B——本站复算：3B ÷ 30B = 10%，即每步只用一成参数。这是它能把 30B 量级的翻译能力塞进实时场景的关键：算力账按 3B 算，内存账却要按 30B 的权重算，两笔账要分开。\n\n六个变体按两个维度分：输出模式分文本版与交错版（源文与译文交错输出，适合对照校对）；精度分全精度版、FP8 版与 GGUF 版。FP8 版是本次扫描词，也是部署上最值得看的一个：权重估算上，FP8 每参数 1 字节，30B 约 30GB，BF16 则约 60GB——FP8 把单卡部署从“两张高端卡”拉到“一张大显存卡”的量级（估算值，不含运行时开销，实际以官方配置为准）。GGUF 版面向 llama.cpp，但要注意：官方 llama.cpp 支持尚未合并，要用项目自己的集成路径或兼容构建，别按“下载即用”去排期。仓库还提供 SimulInfer 推理服务（Web 与 WebSocket，TTS 集成可选；部署脚本起 vLLM 与 Web/API 服务，端口 8080）与 SimulTrain 训练工具；语音输出与声音克隆需要另配 TTS 服务，这部分不在权重里。
四、边界与选型：中英双向是硬边界，高风险场景不在证明范围内
结论分三档。第一档，直接受益：中英双向的跨国会议、演讲直播、采访——延迟已低于人工平均，Apache-2.0 许可商用友好，FP8 单卡可部署，适合先在小范围直播里试点。第二档，可用但要抽测：带口音、语速快、有专业术语的真实会议——厂商评测覆盖了 10 个领域，但你的领域分布不一定等于评测分布，上线前拿自己的录音跑一遍 StreamLAAL 与译文抽查，别只看发布数字。第三档，暂不建议：非中英的语种（模型只做中英双向）、医疗法律等高风险专业场景、嘈杂对话环境——等效表现尚未确立，错译成本高的场景仍应以人工同传为主，模型可作辅助记录。\n\n另外两条落地提醒。第一，获取方式：Hugging Face 托管 API 暂未提供，落地以自部署 SimulInfer 为主，排期里要留出服务搭建与 TTS 配置的时间。第二，声音克隆只写到功能层面：它保留说话人音色用于翻译场景，公开部署时需注意说话人授权与译文标识，具体以官方使用条款为准——本文不提供针对特定个人的克隆操作教程。评测分（preliminary，基于公开资料，非本站实测）：延迟领先可信度中等（厂商自报、多源一致，但无第三方复现，且两组延迟数字口径不同）；部署可行性可信度高（变体、许可、服务组件具体可查，权重估算本站复算一致）；跨场景泛化可信度低（高风险与嘈杂场景等效性明确未确立）。
五、来源清单与免责声明
来源清单（核实日期 2026-10-29）：\n1）https://huggingface.co/tencent/Hy-SimulMT-30B-A3B —— 官方模型页：中英双向语音到语音实时同传、边说边译、实时声音克隆、RealSI 评测 StreamLAAL 约 3 秒、SimulInfer 与 SimulTrain、Hy Translate App；\n2）https://huggingface.co/tencent/Hy-SimulMT-30B-A3B-FP8 —— 本次扫描词：FP8 变体；\n3）https://www.kucoin.com/news/flash/tencent-s-hy-simulmt-achieves-sub-3-second-delay-in-real-time-translation —— 2026-10-26 发布、3.3 秒对一级 4.5 秒与二级 4.7 秒、10 个音频领域、6 位持证译员、质量与人工相当；\n4）https://alphasignal.ai/news/tencent-s-hy-simulmt-translates-chinese-and-english-before-speakers-finish —— 六变体、30B MoE 每 token 激活约 3B、FP8 单卡部署、GGUF 的 llama.cpp 支持未合并、SimulInfer 端口 8080、医疗法律等场景等效性未确立；\n5）https://huggingface.co/tencent/Hy-MT2-30B-A3B-FP8 —— Hy-MT2 家族背景：30B-A3B MoE 命名与 33 语文本翻译定位（用于区分 SimulMT 的中英双向边界）。\n\n免责声明：本站与腾讯无关；本文为产品技术报道与分析，不构成采购、部署或投资建议。延迟与质量数字为厂商自报口径，标注 preliminary，尚未经第三方复现；部署与许可信息以官方页面为准，可能变化。
延迟对比：Hy-SimulMT vs 职业同传译员（厂商自报，preliminary）
| 对象 | 延迟（StreamLAAL） | 质量口径 | 覆盖语种与获取 |
|---|---|---|---|
| Hy-SimulMT-30B-A3B | 约 3 秒（译员对比中 3.3 秒） | 与人工同传相当；GEMBA 超 4/5 商业 API | 仅中英双向；Apache-2.0 开源，自部署 |
| CATTI 一级同传译员 | 4.5 秒 | 人工基准 | 多语；人工服务 |
| CATTI 二级同传译员 | 4.7 秒 | 人工基准 | 多语；人工服务 |
同传延迟对比（秒，越低越好；厂商自报，preliminary）
★ Hy-SimulMT3.3 秒
CATTI 一级译员4.5 秒
CATTI 二级译员4.7 秒
数据来源：来源：腾讯厂商自报对比口径（2026-10-29 多源报道一致）；无第三方复现，仅作量级参考
常见问题解答 (FAQ)
Hy-SimulMT 的延迟 3 秒是怎么测的？
指标是 StreamLAAL（流式平均滞后），即话音到译文的平均等待。厂商在 RealSI 长音频评测里给出约 3 秒；另一组与 6 位持证译员的对比中是 3.3 秒，两组数字来自不同评测切面，不要拼成一个数字引用。全部是厂商自报，标注 preliminary，无第三方复现。
Hy-SimulMT 支持哪些语言？
只支持中英双向：中文语音翻英文、英文语音翻中文，边说边译。这是它和 Hy-MT2 文本翻译家族（33 语）最大的区别；需要第三语的场景不在它的覆盖范围内。
本地跑 Hy-SimulMT 要什么配置？
FP8 版权重估算约 30GB（BF16 约 60GB），面向单张大显存卡部署；仓库提供 SimulInfer 服务（Web 与 WebSocket，端口 8080），语音输出与声音克隆需另配 TTS 服务。GGUF 版面向 llama.cpp，但官方支持尚未合并，需走项目集成路径。Hugging Face 托管 API 暂未提供。
声音克隆功能会不会被滥用？
这个功能的产品定位是翻译时保留说话人自己的音色，不是换脸式冒充；公开部署时需注意说话人授权与译文标识，具体以官方使用条款为准。本文只写功能层面，不提供针对特定个人的克隆操作教程。