腾讯混元开源 Hy-SimulMT：中英同声传译模型，延迟约 3 秒，可克隆说话人音色
zovo约 3 分钟读完
腾讯混元在 2026 年 10 月 26 日开源 Hy-SimulMT，一个支持中文和英文双向语音到语音翻译的同声传译模型：说话人还在讲，它就开始输出译文文本和语音，配合 TTS 服务还能保留原声音色。仓库 10 月 22 日创建，截至 10 月 27 日约 38 个 star，热度主要来自社区转发。本文按官方 README 整理，核对于 2026 年 10 月 27 日，命令未在本站实测。
01它解决什么问题
传统做法是语音识别、文本翻译、语音合成三段串起来，按整句切分，等一句说完才翻。Hy-SimulMT 针对连续音频流优化：模型自己判断什么时候开口、先翻多少、没听到的后文怎么处理。官方适用场景是会议、演讲、访谈等低风险跨语言沟通。
02官方给出的数据
- RealSI 长音频评测：StreamLAAL 约 3 秒，是对比系统里最低；GEMBA 得分超过对比的开源模型和 5 个商用 API 中的 4 个。StreamLAAL 衡量流式翻译滞后，不等于首次出声时间。
- 短音频基准（官方表，GEMBA 分）：Hy-SimulMT 在 FLEURS 90.3、CoVoST2 75.5、ACL6060 81.2、RealSI-Sentence 84.7；RealSI-Sentence 上列表最高，FLEURS 和 ACL6060 低于 Gemini3.5-LiveTranslate，CoVoST2 低于 Qwen3.8-LiveTranslate。
- 与同传译员对比：18 段 2026 年 9 月后上线的约 6 分钟中英音频，邀请 6 位译员（CATTI 一级、二级各 3 位，取各级最高分）。官方结论是译文质量与专家相当、延迟往往更低，并强调只适用于这批样本和设置。
以上都是腾讯自测，独立复测未见。官方也说明语音输出与音色克隆需要另配 TTS 服务。
03权重与许可证
| 型号 | 特点 |
|---|---|
| Hy-SimulMT-30B-A3B（BF16 / FP8 / GGUF） | 只输出译文 |
| Hy-SimulMT-30B-A3B-Interleave（BF16 / FP8 / GGUF） | 输出原文转写 + 译文 |
许可证为 Apache-2.0（第三方组件另按各自许可）。权重在 Hugging Face 和 ModelScope 的 Hy-SimulMT 合集。不想自己部署，可以用官方的 Hy Translate App 体验。
04怎么部署（按官方 README，本站未实测）
需要 Linux、Python 3.12+、Git、足够显存的 NVIDIA GPU 和匹配的 CUDA 驱动；已有环境要 vLLM 0.31 以上并支持 HYV3ForCausalLM。
bash
git clone https://github.com/Tencent-Hunyuan/Hy-SimulMT.git Hy-SimulMT cd Hy-SimulMT/SimulInfer bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave
该命令会装依赖、下载模型、启动 vLLM 和网页/API 服务，提供网页、音频文件上传、实时 WebSocket 和可选 TTS。重复运行会重装依赖，自定义 CUDA 环境请按 SimulInfer README 分步来。仓库还带 SimulTrain 训练工具。
提示30B 总参数（A3B 表示每次激活约 3B）仍需要不小的显存，具体需求官方 README 未在此处给出，部署前看 SimulInfer README。重要场合（法律、医疗、需要问责的会议）官方自己也建议保留专业译员。
资料来源（2026-10-27 核对）
本文由 zovo 编辑撰写，转载请注明出处。
DeepSeek
Claude Code
Timestral