腾讯混元同声传译大模型开源，效果跑赢主流商用 API

10 月 26日，腾讯混元同声传译大模型 Hy-SimulMT 发布并开源，具备低时延、高准确率的特点，支持中英语言之间语音到语音实时翻译——说话人的音频可以实时输入到 Hy-SimulMT 模型中，模型会边听边译，实时给出译文和语音，并支持实时音色克隆，可以高度还原说话人声音和语气。该模型在腾讯 Hy 翻译 APP 首发，免费提供服务体验。

低时延是模型的一大亮点，混元同声传译大模型 Hy-SimulMT 的响应时间实测在 3 秒左右，人类专业译员平均水平在 4-5秒。测评结果显示，该模型的翻译效果超过了市面上主流的开源同传模型，甚至超过大部分的商用同传 API。

中文—英文的同传视频示例

英文—中文的同传视频示例，涉及三个说话人，不同说话人的音色可以克隆

横向对比：开源同传模型最佳，超越部分商用 API

在业界常用的长音频开源评测集 RealSI 上，Hy-SimulMT 展示出了较好的同传翻译效果，见下图：

图片

横轴里的 StreamLAAL 表示同传翻译的延迟指标，反映的模型输出翻译结果相比输入音频的延迟秒数，越低越好。纵轴表示翻译质量，使用 GPT6.1-Sol 进行打分，越高越好。Hy-SimulMT 能做到延迟最低的情况下，效果达到开源模型最佳，甚至超过大多数商业 API。

在短音频测试集上，Hy-SimulMT 也有较好表现，见下图：

图片

实验：相比人类同传专家水平如何？

为了更准确评估 Hy-SimulMT 的真实水平，我们在合规允许范围内，广泛收集了互联网上新出现的中文和英文音频，包含软件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，涉及演讲、访谈、会议等多个场景。

在这份数据上，我们不仅测试了 Hy-SimulMT 的效果，也请多位人类同传专家对这些音频进行同声传译。

人类同传专家一共 6 位，其中 3 位拥有 CATTI 一级口译证书，3 位拥有 CATTI 二级口译证书，所有专家都有多年的同传实战经验。测评对 Hy-SimulMT 和人类同传专家的翻译内容在延迟和翻译质量上对比，其中人类同传专家选取的是 3 个人中的最高分，在这次能力定位测评中，Hy-SimulMT 在翻译的质量达到人类同传专家水平，速度更快（时延更低）。

图片

图片

在实际场景测评中，腾讯混元同声传译的译语听感自然，常规陈述的主干信息传达准确。为控制延迟，系统先开口、后修补，修补的听感接近译员的自我修正。这标志着国产AI同传（自动语音翻译，AST）能力迈上了新的台阶。随着技术的持续打磨，AI同传正从“辅助理解”走向低风险场景“可用沟通”，为推动人机协同的翻译新范式提供了重要的技术支撑。

广外高翻学院副院长王巍巍

图片

同声传译是语言服务中最具挑战性的领域。通过系统测评，腾讯混元同传大模型在语音识别稳定性、同传响应速度与译语播报质量上均展现出不俗的实力，其研发成果体现出AI同传技术持续向好的进步态势，为推动机器同传走进真实场景提供了有力的技术支撑。

广东外语外贸大学原校长、澳门中西创新学院校长、中国翻译协会原常务副会长、口译专业委员会主任委员 仲伟合教授 

同声传译就像人类语言能力的极限运动。优秀的同传译员要在说话人尚未落音时，就抢进意义的缝隙里完成理解、转换与表达。

接下来，混元Hy-SimulMT 会继续把时延一毫秒一毫秒地压下去，把准确率一个百分点一个百分点地提上来，让机器的节奏无限逼近人类同传的同步感。我们希望技术足够可靠，翻译就能从机械的字词搬运里抬起头来，去做更多工作——听懂言外之意，传递语气里的温度，在两种文化之间架起沟通的桥梁。

【开源地址】 

• HuggingFace ：https://huggingface.co/collections/tencent/hy-simulmt
• Modelscope：https://www.modelscope.cn/collections/Tencent-Hunyuan/Hy-SimulMT
• Github：https://github.com/Tencent-Hunyuan/Hy-SimulMT

One more thing。

11月，APEC会议将在深圳举行。随着腾讯正式成为亚太经合组织（APEC）第三十三次领导人非正式会议战略合作伙伴。支持 33 种语言互译、全新上线同声传译模型的「腾讯Hy翻译」，将成为深圳志愿者及基层服务人员的官方 AI 翻译应用。

图片