本文目录
北京时间 2026 年 10 月 26 日，腾讯混元以 2026.10.26 | Release 发布 Hy-SimulMT：面向中英双向的实时语音到语音同声传译，并带实时音色克隆。代码在 GitHub Tencent-Hunyuan/Hy-SimulMT，权重在 Hugging Face tencent/Hy-SimulMT-30B-A3B。LICENSE-Hy-SimulMT.txt 写明腾讯公开的推理代码、参数与权重为 Apache-2.0（第三方组件按其原许可）。safetensors 合计约 30.4B（30,394,794,496），型号 Hy-SimulMT-30B-A3B（发布周边另有 FP8／GGUF／Interleave 等变体说明）。同厂近期开源可对照：Hunyuan 开源 Hy-Nomas：可交互视频世界模型，4090 也能跑。
产品定位是会议、演讲、采访这类「音频还在进来就持续翻译」的场景。对想自托管中英同传的团队有用——前提是先分清开源给了什么、还要自己接什么。说白了，这里的「开源」是 Apache-2.0 代码＋可下载约 30B 权重＋SimulInfer／SimulTrain 入口，不是麦克风、喇叭和克隆音色已经焊好的同传一体机。TTS 与音频 I/O 仍要部署方自己接。
约 3 秒是 StreamLAAL，不是首句出声
在 RealSI 长音频评测上，混元报告 StreamLAAL 约为 3 秒，为对照图中参评系统最低。README（中／英）写明：StreamLAAL 不等同于首次开口延迟。它量的是流式翻译滞后（对照图横轴），不是「三秒内听到第一句译文语音」的承诺。若二手转述把两者并成「首句约 3 秒」，那是误读 README。
GEMBA、短音频表（FLEURS、CoVoST2、ACL6060、RealSI-Sentence）以及与持有 CATTI 证书译员的对照，均属厂商自报。译员对照使用 18 段新采集中英语音（各约 6 分钟、十个领域）与六名译员（CATTI 一／二级各三）。README 自限：结论只适用于该次样本、参与译员与评测设定，不构成对音质、音色相似度或其他维度的全面评估。本站按这个限定来写，不会写成「全面替代人类译员」。
下载权重 ≠ 开口同传
仓库提供 SimulInfer 推理服务与 SimulTrain 训练工具。README 写明：语音输出与音色克隆需要配置 TTS 服务。开源权重给的是翻译／流式栈，本身不会出声。也可在 Hy 翻译 App 试用；那与从 GitHub／HF 自建管线不是同一条路。
本地部署两条边：
- llama.cpp 尚未合并。 混元称已提交 PR #31198；截至北京时间 2026 年 10 月 27 日 仍为 open、未合并，当前侧重
llama-mtmd-cli（llama-server后续）。官方 llama.cpp 尚未内置 Hy-SimulMT 支持。 - HF 无托管推理提供商。
inferenceProviderMapping为空；模型页口径是未被任何 Inference Provider 部署。开放路径是自拉权重自建服务，不是 HF 一键托管端点。
实时语音近文可对照：Block 发布 Dessa：只用语音训练的全双工对话模型。
语种边界与质量口径
产品发布句是中英双向 speech-to-speech。HF 模型卡上的多语 language 标签（或含 ja 等）不能据此写成「日语等同传已支持」。若会议是日英或多语同传厢，在混元另发发布说明前，已确认范围仍是中英。
厂商自报的 GEMBA／短音频分可作是否投入工程师试跑的判断材料——替不了会场音频、麦克链路或领域词表。Apache-2.0 去掉的是许可税，不是 GPU、TTS 与运维账单。试跑前可先过一遍：是否只需中英；出声路径的 TTS 是否已备；llama.cpp 仍按 PR 而非已发布支持来排期；并用自有音频量首句出声延迟，而不是只盯 StreamLAAL。
若需求是录音转写／边缘／多人会议选型，而不是中英实时同传，另见：Granite Speech 5.0 怎么选：转写、边缘加速与多人会议对应不同模型。
对于 Hy-SimulMT 的端到端延迟、音质、克隆相似度与自托管成本，本站暂时还没有测试；反馈可通过网站底部的站长联系方式提交。