腾讯混元 Hy-SimulMT 同声传译模型开源、304 亿参数只激活 30 亿、3 秒延迟跑赢主流商用 API

话没说完，译文就出来了

今天上午，腾讯混元在 GitHub 上开源了一个新模型：Hy-SimulMT，专门干一件事——同声传译。

所谓同声传译，就是国际会议那种场景：左边一个人讲英文，右边一个人几乎同时用另一种语言讲出来，两边只差几秒。人类专业同传员做这件事，平均延迟是 4 到 5 秒。

这个开源模型，报出来的数字是 3 秒。

用人话说： 以后看外语直播、听外语发布会，甚至跟外国人视频通话，可能不用再等对方整句说完——中文译文已经先响起来了。

一句话总结

腾讯混元把同声传译做成了开源模型：304 亿参数、每次只激活约 30 亿，流式延迟压到约 3 秒，比人类专业同传员平均还快一点，效果在评测里跑赢了大部分开源模型和 4 个商用 API。

一、这是个什么模型

先看参数，这是最容易被误读的数字。

项目 · Hy-SimulMT-30B-A3B

架构 · MoE 稀疏混合专家，48 层，隐藏维度 2048

专家数 · 128 个，每 token 路由 8 个 + 1 个共享专家

总参数 · 304 亿（30.4B）

每次实际激活 · 约 30 亿（A3B）

文件体积 · BF16 约 60.8 GB，另提供 FP8 与 GGUF 量化版

开源协议 · Apache 2.0，可免费商用

支持方向 · 中英双向，语音到语音实时同传

开源地址 · GitHub Tencent-Hunyuan/Hy-SimulMT，同步 HuggingFace 与魔搭

用人话说： 304 亿这个数字听着吓人，但它只激活了十分之一。类比一下：这就像一家有 304 个分店的餐厅，你每顿饭只派其中 3 家分店去备餐——总量大，是为了让你吃得快，不是为了让你吃得多。

两个输出模式也值得记一下：基础版只吐译文；带 Interleave 后缀的版本会把「原话转写」和「译文」交替输出，像字幕一样。

模型还带了实时音色克隆能力，保留说话人的声音和语气特征。

用人话说： 但这里有个坑必须点出来——语音合成这一步不在模型里，需要你外接一个 TTS 服务。模型本身干的是「听到声音 → 输出文字」这半程，「文字 → 声音」那半程是别人干的。这也是它开源出来体量有 60 多 G 的原因之一。

配套还送了两个东西：SimulInfer 推理服务（Web + WebSocket，带 Web UI，端口 8080，一键部署脚本）和 SimulTrain 继续训练脚本。已经在腾讯自家的「Hy 翻译」App 里首发，可以免费体验。

二、3 秒这个数字是怎么来的

同声传译的核心指标叫 StreamLAAL，通俗讲就是「一句话从说完到译文出来，中间差多久」。

官方给出的实测结果是：Hy-SimulMT 的流式翻译延迟约 3 秒，是参评系统里最低的。作为参照，人类专业译员的平均是 4 到 5 秒。

同时，它的翻译质量分（GEMBA 指标）超过了所有参评的开源模型，以及 5 个主流商用 API 中的 4 个。

用人话说： 「跑赢商用 API」这句话要这么理解——它不是说所有场景都比付费服务强，而是说在同声传译这个具体任务上，这四个被对比的商用接口在质量分上被它压过去了，而价格是 0。

延迟和质量能同时压住，靠的是两件事：一是 MoE 架构让每次只算 30 亿参数，二是有专门的开源推理工程把流式链路调通了。

三、四个公开测试集，谁赢了

官方拿四项短音频公开测试集做了横评，这是目前少数几组能横向比对的数字：

模型 · FLEURS · CoVoST2 · ACL6060 · RealSI-Sentence

Hy-SimulMT · 90.3 · 75.5 · 81.2 · 84.7

Qwen3.8-LiveTranslate · 88.4 · 82.1 · 80.5 · 84.4

Gemini3.5-LiveTranslate · 92.4 · 74.4 · 82.6 · 82.2

Seed-LiveInterpret2.0 · 85.8 · 67.7 · 74.8 · 80.0

SimulS2ST-Omni · 78.6 · 66.6 · 73.1 · 77.4

看清楚这张表的规律：Hy-SimulMT 在四项里拿下两项第一，另外两项紧咬对手，但赢在整体一致性。 它唯一明显落后的一项是 CoVoST2（75.5 对 Qwen3.8 的 82.1）。

另外官方还做了一场人类对照：6 位持 CATTI 证书的专业同传专家（3 位一级、3 位二级），对着 18 段约 6 分钟的中英音频，结论是这个模型的质量达到人类专家水平、速度还更快。

用人话说： 但这里的对比方式是「取专家中最高分」再比，不是「击败专家」。而且这是厂商自测，没有给置信区间，官方也没公开论文或技术报告——真要较真，得自己跑一遍 SimulInfer。

四、三个必须知道的短板

第一，只支持中英双向。 模型页标注支持 36 种语言的相关能力，但目前公开演示和评测明确聚焦中英方向。看到「36 语种同传」这类表述要打个问号。

第二，语音输出要自己接 TTS。 想让它「开口说话」，得外接语音合成服务，这一步的延迟和音色都不在模型控制范围内。

第三，GGUF 版要自己折腾。 社区转换的 GGUF 量化版本，llama.cpp 官方支持尚未合并上游，得走社区构建路径。

用人话说： 这三点合起来的意思是——它今天更适合专业玩家和有技术团队的公司，普通用户想用，先去「Hy 翻译」App 里试现成的。

对普通人意味着什么

第一，同传这件专业的事，第一次有了可以白嫖的开源底座。 以前做实时字幕、做外语客服、做跨国会议的同传系统，方案只有两条路：接昂贵的商用 API，或者自己从头训。现在多了一条——用 Apache 2.0 的开源模型自己部署，成本结构完全不同。

第二，出境游和外语内容的门槛在降。 看外语直播不用等官方字幕、听外语发布会不用等第二天出文字稿，这类需求以前都得靠人肉或者等商业方案。

第三，但别指望它替代人。 3 秒延迟解决的是「能不能跟得上」，没解决「翻得对不对」。正式场合的同传，机器负责打字幕，人负责兜底，这个分工短期内不会变。

写在最后

1 这次真正被开源的不是模型，是「同传级延迟」

304 亿参数背后最值得记的数字是 3 秒。这个数字如果被更多团队复现出来，实时语音翻译的定位就会从「会议标配」变成「默认功能」。

2 腾讯的翻译模型矩阵比这次发布的还长

Hy-SimulMT 只是其中一环。同门还有拿下 WMT25 冠军的 Hunyuan-MT-7B 和 Chimera-7B、支持 33 语种的 HY-MT1.5（1.8B 版本量化后只占约 1GB 内存，手机端就能跑），以及 Hy-MT2 系列。端侧和云侧两条路同时在铺。

3 开源协议才是这次最狠的一手

Apache 2.0 意味着免费商用。模型能力可以慢慢追平，但「用不花钱」这件事一旦让出去，就很难收回来。

未来 1 年看三件事：① 第三方复现后 3 秒延迟和 GEMBA 分数是否站得住；② 音色克隆 + 外接 TTS 这条链路会不会被官方打包成开箱即用的方案；③ 中英之外的方向（比如中日、中韩）能不能在一年内补上。

如果觉得这篇拆解对你有帮助，不妨点个关注和在看。

你的 AI 陪跑伙伴 【数字新奇点】 会继续关注每一次把 AI 从演示室搬进日常生活的发布。

咱们下期见！

参考资料

Tencent-Hunyuan/Hy-SimulMT（GitHub 官方仓库）

腾讯混元同声传译大模型 Hy-SimulMT 发布并开源（界面新闻）

腾讯混元同声传译大模型 Hy-SimulMT 发布并开源（钛媒体）

腾讯混元同声传译大模型开源，效果跑赢主流商用 API（虎嗅）

腾讯混元开源翻译模型，效果超越商用 API（财闻网）

Hy-SimulMT-30B-A3B：评测、参数、下载与模型卡（DataLearner）