本文目錄
北京時間 2026 年 10 月 26 日，騰訊混元以 2026.10.26 | Release 發布 Hy-SimulMT：面向中英雙向的即時語音到語音同聲傳譯，並帶即時音色克隆。程式碼在 GitHub Tencent-Hunyuan/Hy-SimulMT，權重在 Hugging Face tencent/Hy-SimulMT-30B-A3B。LICENSE-Hy-SimulMT.txt 寫明騰訊公開的推理程式碼、參數與權重為 Apache-2.0（第三方元件依其原授權）。safetensors 合計約 30.4B（30,394,794,496），型號 Hy-SimulMT-30B-A3B（發布週邊另有 FP8／GGUF／Interleave 等變體說明）。同廠近期開源可對照：Hunyuan 開源 Hy-Nomas：可互動影片世界模型，4090 也能跑。
產品定位是會議、演講、採訪這類「音訊還在進來就持續翻譯」的場景。對想自託管中英同傳的團隊有用——前提是先分清開源給了什麼、還要自己接什麼。說白了，這裡的「開源」是 Apache-2.0 程式碼＋可下載約 30B 權重＋SimulInfer／SimulTrain 入口，不是麥克風、喇叭和克隆音色已經焊好的同傳一體機。TTS 與音訊 I/O 仍要部署方自己接。
約 3 秒是 StreamLAAL，不是首句出聲
在 RealSI 長音訊評測上，混元報告 StreamLAAL 約為 3 秒，為對照圖中參評系統最低。README（中／英）寫明：StreamLAAL 不等同於首次開口延遲。它量的是流式翻譯滯後（對照圖橫軸），不是「三秒內聽到第一句譯文語音」的承諾。若二手轉述把兩者併成「首句約 3 秒」，那是誤讀 README。
GEMBA、短音訊表（FLEURS、CoVoST2、ACL6060、RealSI-Sentence）以及與持有 CATTI 證書譯員的對照，均屬廠商自報。譯員對照使用 18 段新採集中英語音（各約 6 分鐘、十個領域）與六名譯員（CATTI 一／二級各三）。README 自限：結論只適用於該次樣本、參與譯員與評測設定，不構成對音質、音色相似度或其他維度的全面評估。本站按這個限定來寫，不會寫成「全面替代人類譯員」。
下載權重 ≠ 開口同傳
倉庫提供 SimulInfer 推理服務與 SimulTrain 訓練工具。README 寫明：語音輸出與音色克隆需要設定 TTS 服務。開源權重給的是翻譯／流式棧，本身不會出聲。也可在 Hy 翻譯 App 試用；那與從 GitHub／HF 自建管線不是同一條路。
本地部署兩條邊：
- llama.cpp 尚未合併。 混元稱已提交 PR #31198；截至北京時間 2026 年 10 月 27 日 仍為 open、未合併，當前側重
llama-mtmd-cli（llama-server後續）。官方 llama.cpp 尚未內建 Hy-SimulMT 支援。 - HF 無託管推理提供商。
inferenceProviderMapping為空；模型頁口徑是未被任何 Inference Provider 部署。開放路徑是自拉權重自建服務，不是 HF 一鍵託管端點。
即時語音近文可對照：Block 發布 Dessa：只用語音訓練的全雙工對話模型。
語種邊界與質量口徑
產品發布句是中英雙向 speech-to-speech。HF 模型卡上的多語 language 標籤（或含 ja 等）不能據此寫成「日語等同傳已支援」。若會議是日英或多語同傳廂，在混元另發發布說明前，已確認範圍仍是中英。
廠商自報的 GEMBA／短音訊分可作是否投入工程師試跑的判斷材料——替不了會場音訊、麥克鏈路或領域詞表。Apache-2.0 去掉的是授權稅，不是 GPU、TTS 與維運帳單。試跑前可先過一遍：是否只需中英；出聲路徑的 TTS 是否已備；llama.cpp 仍按 PR 而非已發布支援來排期；並用自有音訊量首句出聲延遲，而不是只盯 StreamLAAL。
若需求是錄音轉寫／邊緣／多人會議選型，而不是中英即時同傳，另見：Granite Speech 5.0 怎麼選：轉寫、邊緣加速與多人會議對應不同模型。
對於 Hy-SimulMT 的端到端延遲、音質、克隆相似度與自託管成本，本站暫時還沒有測試；回饋可透過網站底部的站長聯絡方式提交。