腾讯混元同声传译大模型 Hy-SimulMT 发布并开源,支持中英之间语音到语音实时翻译,具备低时延与高准确率,还支持实时音色克隆。模型在腾讯 Hy 翻译 APP 首发,免费提供服务体验。实测响应时间约 3 秒,人类专业译员平均水平在 4 到 5 秒。
核心要点
- 发布,腾讯混元同声传译大模型 Hy-SimulMT 发布并开源。
- 能力,支持中英之间语音到语音实时翻译,边听边译并实时输出译文与语音。
- 时延,响应时间实测约 3 秒,人类专业译员平均水平在 4 到 5 秒。
- 音色,支持实时音色克隆,可高度还原说话人的声音与语气。
- 体验,在腾讯 Hy 翻译 APP 首发,免费提供服务体验。
事件
10 月 26 日,腾讯混元同声传译大模型 Hy-SimulMT 发布并开源。
官方给它的定位是低时延、高准确率,支持中英语言之间的语音到语音实时翻译。
说话人的音频可以实时输入模型,模型边听边译,实时给出译文和语音。
低时延做到了什么水平
低时延是模型的一大亮点。
混元同声传译大模型的响应时间实测在 3 秒左右。
相比之下,人类专业译员的平均水平在 4 到 5 秒。
这 1 到 2 秒的差距在会议、直播这类场景里比较关键,它决定了译音与画面的同步程度。
音色克隆
模型支持实时音色克隆,可以高度还原说话人的声音与语气。
官方演示中有一段英文到中文的同传视频,涉及三个说话人,不同说话人的音色分别被克隆。
这意味着译音不再是统一的机械声,能够保留原说话人的辨识度。
与其他模型对比
在业界常用的长音频开源评测集 RealSI 上,Hy-SimulMT 展示出较好的同传翻译效果。
横轴的 StreamLAAL 是同传翻译的延迟指标,反映模型输出译文相比输入音频延迟的秒数,越低越好。
纵轴表示翻译质量,使用 GPT6.1-Sol 打分,越高越好。
官方称模型能做到延迟最低的情况下效果达到开源模型最佳,甚至超过大多数商业 API。
在短音频测试集上,Hy-SimulMT 也有较好表现。
和人类译员的对比
为了更准确评估真实水平,研究团队在合规允许范围内广泛收集了互联网上新出现的中文和英文音频。
这些素材包含不同口音、语速与场景,更接近真实使用条件。
官方表示模型的翻译效果超过了市面上主流的开源同传模型,甚至超过大部分商用同传 API。
如何使用
第一步:在应用商店下载腾讯 Hy 翻译 APP。
第二步:进入同声传译功能,选择中文到英文或英文到中文的方向。
第三步:开始说话或播放音频,模型会边听边译并实时输出译文与语音。
第四步:需要保留说话人音色时,开启音色克隆选项。
开源意味着什么
同传能力此前大多掌握在少数商用 API 手里,价格与可用性都受制于供应商。
模型开源后,企业可以在自有环境里部署,把语音数据留在内部。
对需要在会议、客服、直播里做实时翻译的场景,这是一个可以直接落地的选项。
对研究者,开源的模型也提供了一个可复现的基线。
相关阅读
语音方向的另一批模型可参考 蚂蚁百灵开源 Ming-3.0 语音系列。
同传赛道的对比对象另可看 云知声 U2 Flash 限时免费。
适合谁
对需要跨语言会议的企业,3 秒级延迟加音色克隆意味着译音更接近真人同传。
对开发者,模型已开源,可以本地部署或做二次开发。
对个人用户,Hy 翻译 APP 目前免费提供服务体验,适合先试效果。
最后更新 2026 年 10 月 29 日,本文信息版本 v2026.10.29。
来源说明 本文信息来自腾讯混元官方 Hy-SimulMT 发布说明与官方评测数据(2026-10-26),采集时间 2026 年 10 月 29 日。