腾讯混元开源同声传译模型Hy-SimulMT：中英双向语音实时互译，还能保留说话人音色

腾讯混元在10月26日开源了 Hy-SimulMT，一个专门做 中英双向实时同声传译 的模型。它不是先听完一整句再翻，而是边听边译，同时输出译文文字和语音，还支持 实时音色克隆，让翻译出来的声音尽量保留原说话人的特点。资料都在 GitHub项目页。

官方公布的几个关键点

模型规模：Hugging Face上的版本名为 Hy-SimulMT-30B-A3B，即总参数约300亿、每次激活约30亿的混合专家结构。
延迟：在RealSI长音频评测中，StreamLAAL（衡量流式翻译滞后的指标）约 3秒，是对比图里最低的。
质量：GEMBA评分超过参与对比的其他开源模型，也超过五个商用API中的四个；在RealSI-Sentence短音频测试中拿到84.7，为表中最高。
和真人对比：团队找了六位持有CATTI一级、二级口译证书的译员，用18段约6分钟的新录音做对比，结论是质量与资深译员相当、反应往往更快。官方也注明这只是小规模测试。
开源内容包括SimulInfer推理服务和SimulTrain训练工具；语音输出和音色克隆需要另外配置TTS服务。

同传最难的不是“翻得对”，而是“什么时候开口”。等得越久越准，但听众就越着急。Hy-SimulMT选择先说、再纠正，广东外语外贸大学高级翻译学院的一位副院长形容这种修正“很像译员的自我修正”，这一点我觉得很实在。

对我们这些常看日本动画活动、海外发布会直播的人来说，这类工具的意义很直接：以后看英文发布会或采访，有可能直接听到带原声音色的中文同传。可惜目前只支持中英两种语言，日语还要再等等。想直接体验的话，官方也提供了手机App“Hy Translate”。