腾讯混元开源同传模型Hy-SimulMT，3.3秒延迟跑赢一级口译员

做同声传译的模型不少，敢拿持证口译员当面比延迟的，腾讯混元 这次算是第一个把数字摆出来的。

Hy-SimulMT 是 10 月 26 日发布的，直接开源，仓库在 Hugging Face、ModelScope 和 GitHub 上都有。普通用户可以在腾讯 Hy 翻译 App 里免费试。

它做的是中英语音到语音的实时翻译：说话人的音频边进边译，同步吐出译文文本和语音，而且能实时克隆说话人的音色和语气。听上去像是对方本人在说另一种语言。

核心指标是延迟。

腾讯找了 6 位持证同传，3 位 CATTI 一级、3 位二级，用软件 AI、医学、制造能源、商务管理等十个领域的音频做对比。衡量延迟的 StreamLAAL 指标上，模型是 3.3 秒，一级专家 4.5 秒，二级专家 4.7 秒。翻译质量官方说达到了人类同传水平。

在长音频评测集 RealSI 上，它约 3.1 秒延迟、约 86 分质量（GEMBA 指标，由 GPT-6.1 Sol 打分），延迟最低、质量是开源模型里最好的，超过多数商用同传 API。

也不是全赢。短音频四项测试里，它的 RealSI-Sentence 84.7 分全场最高，FLEURS 90.3、ACL6060 81.2 在开源模型里排第一，但 Gemini 3.5 LiveTranslate 在 FLEURS（92.4）和 ACL6060（82.6）上都比它高。也就是说，闭源最强那一档还没被追上。

降延迟的方法叫“先开口、后修补”：不等一句话说完就开始译，听到后文发现译错了再改口。评审的翻译学者说，这种修补的听感接近人类译员的自我修正，不太突兀。

我比较在意的是这个开源决定。同传是少数能直接按小时收费、价格还不低的专业服务，会议、外事、医疗场景都有刚需。一个延迟比人低、免费可部署的模型放出来，冲击的不只是商用 API，还有一部分中低端同传的饭碗。高端场景暂时还轮不到它，那里拼的是专业术语和临场判断，3 秒快 1 秒的优势没那么重要。