腾讯混元开源Hy-SimulMT同传大模型 低时延中英互译及音色克隆

近日，腾讯混元开源推出了一款名为Hy-SimulMT的同声传译大模型，该模型拥有仅3秒的低时延响应表现，翻译质量可媲美人类专家，支持中英实时互译及音色克隆功能。

10月26日，腾讯混元团队正式开源了这款同声传译大模型Hy-SimulMT。该模型具备低时延、高准确率的特性，支持中英双向语音到语音实时翻译——当说话人的音频实时输入时，模型会边听边译，同步输出译文和对应语音，还支持实时音色克隆，能够高度还原说话人的声音与语气。

低时延是该模型的核心优势之一，实测响应时间仅3秒左右，而人类专业译员的平均响应时间在4-5秒之间。测评结果显示，Hy-SimulMT的翻译效果不仅超过了市面上多数主流开源同传模型，甚至优于大部分商用同传API。

开源资源

该模型的相关资源可在官方开源平台获取，包含模型集合页面与代码仓库，具体链接可通过官方渠道查询。

中英双向同传效果

Hy-SimulMT支持中文与英文的双向同声传译，在输出翻译内容的同时可兼顾语音播报效果，还能适配多说话人场景下的音色克隆需求。

中文-英文同传效果：模型可实现中文到英文的实时翻译，同时输出对应语音。

英文-中文同传效果：模型可实现英文到中文的实时翻译，针对多说话人场景，该模型可分别克隆不同说话人的音色，精准还原各说话人的声音特征。

公开基准测试：兼顾翻译质量与低延迟

在业界常用的长音频开源评测集上，Hy-SimulMT展现了出色的同传翻译效果。评测横轴的StreamLAAL指标代表翻译延迟，数值越低表示延迟越小；纵轴为翻译质量，通过专业工具打分，数值越高质量越好。Hy-SimulMT在实现最低延迟的同时，翻译效果达到开源模型的最优水平，甚至超过多数商业API。在短音频测试集上，该模型同样表现优异。

与人类同传专家对比

为验证模型在真实场景中的表现，腾讯混元团队在合规范围内收集了覆盖软件与AI、医学、制造与能源等十个领域的公开音频，包含演讲、访谈、会议等多种场景。

评测邀请了6位拥有多年实战经验的人类同传专家参与，其中3位持有CATTI一级口译证书，3位持有二级证书。测评从翻译质量和同传延迟两个维度对比模型与人类专家的表现。

结果显示，Hy-SimulMT的翻译质量达到人类同传专家水平，同时拥有更低的翻译延迟。公开基准与真实场景的对照结果表明，该模型在长短音频、中英双向翻译及多说话人场景中，均兼顾了翻译质量与响应速度，为会议、访谈、演讲等实时跨语言沟通提供了新的开源解决方案。

本地部署与推理

Hy-SimulMT可通过vLLM加载模型，官方提供了SimulInfer工具，支持网页操作、音频文件上传及实时WebSocket接口。

模型下载

pip install 模型下载工具
模型下载命令：
modelscope download --model Tencent-Hunyuan/Hy-SimulMT-30B-A3B --local_dir 本地存储路径

vLLM与SimulInfer部署

在执行模型下载命令的目录中，克隆官方项目并启动服务，步骤如下：

MODEL_DIR="本地模型路径"
git clone 官方代码仓库地址
cd Hy-SimulMT/SimulInfer
bash deploy.sh --install-server --model "$MODEL_DIR"

部署脚本会在独立环境中安装依赖、准备模型，依次启动vLLM和SimulInfer。默认模型服务端口为8800，网页与API端口为8080。如需两卡部署，在启动命令末尾添加参数--gpus 0,1 --tensor-parallel-size 2。

使用本地服务

等待终端提示Ready后，可在浏览器中打开对应地址，选择翻译方向，上传音频或开启麦克风。远程使用麦克风需通过HTTPS访问；语音输出及语音克隆需另行配置TTS服务。

也可通过命令行上传音频，流式获取翻译结果，示例命令如下：

curl -N http://127.0.0.1:8080/translate/stream \
  -F direction=en-zh \
  -F file=@audio.wav

将audio.wav替换为本地音频文件，en-zh表示英译中，中译英则改为zh-en。