Tencent baute einen 3-Sekunden-Dolmetscher und veröffentlichte ihn ohne Pressemitteilung.

Am 22. Oktober 2026 erschienen sechs Repositories einer neuen Modellfamilie unter der tencent-Organisation auf Hugging Face. Das Modell, um das es in diesem Artikel geht, ist Hy-SimulMT-30B-A3B-Interleave, die Variante, die sowohl den erkannten Ausgangstext als auch die Übersetzung ausgibt; ihr Geschwistermodell Hy-SimulMT-30B-A3B gibt nur die Übersetzung aus. Beide stehen unter Apache-2.0, beide haben 30,4 Milliarden Parameter und beide sind für eine Aufgabe gebaut, die keine von Tencents bisherigen Übersetzungsveröffentlichungen erfüllen konnte: gesprochenem Chinesisch oder Englisch zuzuhören, während gesprochen wird, und die jeweils andere Sprache zu erzeugen, während der Satz noch läuft. Vier Tage später zeigte das Haupt-Repository null Downloads und zwei Likes. Es gab keinen Hunyuan-Blogbeitrag, keine Pressemitteilung, kein arXiv-Paper und keine Zeile in der chinesischsprachigen Berichterstattung über Tencents Übersetzungsgeschäft, die den ganzen Monat über gelaufen war. Die einzige Ankündigung ist ein einzelner datierter Aufzählungspunkt im News-Bereich der Modellkarte, hinzugefügt am 26. Oktober, der lautet: veröffentlicht.

Die Kluft zwischen dem, was die Gewichte leisten, und mit welchem Getöse sie veröffentlicht wurden, ist die eigentliche Geschichte. Ein Simultandolmetscher mit rund drei Sekunden Verzögerung, der unter einer permissiven Lizenz herunterladbar ist, ist keine routinemäßige Veröffentlichung – er ist das Element, das aus einer Übersetzungs-App, bei der man sich abwechselt, etwas macht, das man im Meeting tragen kann. Die wahrscheinlichste Erklärung für die Stille liegt im Kalender: Tencent wurde am 23. Oktober strategischer Partner des 33. APEC Economic Leaders' Meeting in Shenzhen – einen Tag, nachdem die Gewichte hochgeladen wurden –, und seine Hy Translate App wurde zum offiziellen KI-Übersetzungstool für die Freiwilligen und Mitarbeitenden ernannt, die bei dieser Veranstaltung vom 18. bis 19. November im Einsatz sind. Das ist eine Schlussfolgerung aus öffentlichen Daten, nicht etwas, das Tencent gesagt hat. Das Folgende trennt, was das Repository beweist, von dem, was es lediglich nahelegt.

Was befindet sich eigentlich im Repository?

Die Architektur ist ein kausales Sprachmodell mit Spracheingabe und Textausgabe, getaggt mit hy_v3 und instanziiert als HYV3SpeechForCausalLM. Die Konfiguration gibt einen Sparse-Mixture-of-Experts-Stack vor: 48 Schichten, Hidden Size 2.048, 128 Experten mit einer Experten-Hidden-Dimension von 768, acht geroutete Experten plus ein gemeinsamer Experte pro Token und eine einzelne dichte Schicht am Anfang. Der Safetensors-Index zählt 30.394.788.480 Parameter in BF16, wobei weitere 6.016 in F32 gespeichert sind. Tencent löst das „A3B“ im Namen nie auf, aber die Arithmetik ist damit konsistent: acht geroutete Experten plus ein gemeinsamer, bei dieser Expertenbreite, ergeben ungefähr 3 Milliarden aktive Parameter pro Token. Das ist unsere Berechnung anhand der veröffentlichten Konfiguration, keine Herstellerangabe.

Das Audio-Frontend befindet sich in derselben Konfigurationsdatei, statt hinter einer Pipeline verborgen zu sein: 128 Mel-Bins, ein 24-Schichten-Encoder mit Breite 1,024, der auf 2,048 projiziert, 16 kHz Abtastrate und maximal 480,000 Samples – dreißig Sekunden – pro Eingabefenster. Die Generierung verwendet standardmäßig Temperatur 0.0 mit max_new_tokens von 64, was man von einem Modell erwarten würde, das darauf ausgelegt ist, einen kurzen Abschnitt übersetzten Text auszugeben und dann auf weiteres Audio zu warten. Maximale Positions-Embeddings sind mit 262,144 angegeben; die Modellkarte gibt keine nutzbare Kontextlänge an, und bei Streaming-Audio ist diese Zahl weit weniger aussagekräftig als das Dreißig-Sekunden-Fenster.

Sechs Checkpoints in einem Rutsch veröffentlicht: base und Interleave, jeweils mit einem FP8-Build und einem GGUF-Build. Die Lizenzdatei ist Apache-2.0 mit der üblichen Ausnahmeregelung, dass gebündelte Drittanbieter-Komponenten ihre eigenen Bedingungen behalten. Die Modellkarte führt zwölf Mitwirkende auf, verlinkt ein GitHub-Repository, das sowohl einen Inferenzdienst namens SimulInfer als auch ein Trainings-Toolkit namens SimulTrain enthält, und zitiert statt eines Papers eine Tencent-Produktseite.

Die Latenzzahl und die Benchmark-Zeile, die die Schlagzeile untergräbt.

Die entscheidende Behauptung für ein Simultanmodell ist nicht die Übersetzungsqualität für sich genommen, sondern die Qualität bei einer bestimmten Verzögerung. Tencent bewertet dies auf RealSI-Langformaudio und gibt einen StreamLAAL von etwa drei Sekunden an, der als der niedrigste unter den verglichenen Systemen beschrieben wird, mit einem GEMBA-Score, der höher liegt als bei den Open-Source-Modellen im Vergleich und bei vier der fünf kommerziellen APIs. StreamLAAL misst die durchschnittliche Verzögerung zwischen Quell- und Ziel-Tokens in einer Streaming-Umgebung; es ist nicht die Time-to-First-Audio, und die Modellkarte sagt dies ausdrücklich. Auch nennt die Modellkarte nicht die fünfte kommerzielle API, die es bei GEMBA übertraf.

Die Kurzform-Tabelle ist informativer, weil sie in einer Spalte weniger schmeichelhaft ist. Bei vier öffentlichen Benchmarks meldet Tencent für Hy-SimulMT 90,3 bei FLEURS, 75,5 bei CoVoST2, 81,2 bei ACL6060 und 84,7 bei RealSI-Sentence. Dagegen erzielt Qwen3.8-LiveTranslate 88,4, 82,1, 80,5 und 84,4; Gemini3.5-LiveTranslate erzielt 92,4, 74,4, 82,6 und 82,2; Seed-LiveInterpret2.0 erzielt 85,8, 67,7, 74,8 und 80,0. Lies die Spalten statt die Zusammenfassung: Hy-SimulMT gewinnt FLEURS, ACL6060 und RealSI-Sentence unter den offenen Systemen, liegt bei CoVoST2 um 6,6 Punkte hinter Qwen und bei FLEURS um 2,1 Punkte hinter Gemini. Der Satz auf der Karte selbst – höher als die anderen Open-Source-Modelle bei FLEURS, ACL6060 und RealSI-Sentence – ist sorgfältig eingegrenzt, und der fehlende Benchmark ist genau der, bei dem es am schlechtesten abschneidet. Jede Zahl in dieser Tabelle wurde von Tencent erzeugt. Kein unabhängiges Labor hat dieses Modell getestet.

Der Vergleich mit dem Menschen verdient eine genauere Betrachtung, als die Schlagzeile vermuten lässt.

Tencent beauftragte außerdem einen abgestimmten Vergleich mit professionellen Dolmetschern: achtzehn chinesische und englische Aufnahmen, die ab September 2026 online veröffentlicht wurden, jeweils etwa sechs Minuten lang und aus zehn Bereichen von Software und Medizin bis hin zu Recht und Landwirtschaft, gedolmetscht von sechs Fachleuten – drei mit CATTI-Level-1-Zertifikaten und drei mit Level 2. Für jede Zertifizierungsstufe wurde die beste der drei Dolmetscherinnen und Dolmetscher als Vergleichspunkt herangezogen. Das Fazit: Das Modell erreicht eine Qualität, die mit der erfahrener menschlicher Simultandolmetscher vergleichbar ist, und antwortet dabei oft schneller.

Das ist ein bemerkenswertes Ergebnis, und zugleich ein kleines, was die Karte in einer Fußnote unmissverständlich sagt: Die Befunde gelten nur für jene Stichproben, jene Dolmetscher und jenes Setting und stellen keine Bewertung der Sprachqualität oder Stimmähnlichkeit dar. Zwei methodische Details sollte man im Hinterkopf behalten. Der jeweils bestbewertete Dolmetscher auf jeder Stufe setzt eine anspruchsvolle Messlatte für Qualität, aber eine ungleichmäßige für Latenz, da der Vergleich mit einer Person und nicht mit dem Median der Berufsgruppe erfolgt. Und der Test misst Informationsübermittlung und Timing, nicht das, was den meisten Zuhörern bei maschineller Sprache zuerst auffällt, nämlich ob sie wie ein Mensch klingt.

Was das Repository nicht beantwortet

Mehrere Fragen, die ein Käufer zuerst stellen würde, sind noch nicht öffentlich beantwortet. Es gibt keine gehostete API und keinen Preis: Anders als bei der {{1}}Hy-MT2-Familie{{/1}}, die Tencent auf Tencent Cloud zu veröffentlichten Preisen pro Token listet, handelt es sich bei {{2}}Hy-SimulMT{{/2}} um {{3}}reine Gewichte{{/3}} plus eine Mobile-App, und das Inference-Provider-Panel von Hugging Face listet es als von keinem Anbieter bereitgestellt. Es gibt keinen technischen Bericht und keinen Benchmark außerhalb von Tencents eigener Evaluierung. Die Modellkarte gibt an, dass Sprachausgabe und Voice Cloning einen konfigurierten TTS-Dienst erfordern, sodass die Bezeichnung „Speech-to-Speech“ ein um das Modell herum zusammengesetztes System beschreibt, nicht einen einzelnen Checkpoint, der Audio ausgibt. Die Unterstützung für {{4}}llama.cpp{{/4}} ist ausdrücklich nicht upstream zusammengeführt — die Karte empfiehlt, auf eine Version zu warten, die das Modell unterstützt, obwohl GGUF-Builds veröffentlicht sind, und die Beispiel-Umgebungsvariable verweist auf einen Checkpoint namens {{5}}hymt-A3b-tgt_only-1019-Q8_0.gguf{{/5}}, einen Artefaktnamen, der nicht zu den öffentlichen Modell-IDs passt.

Die Sprachmetadaten sind der verwirrendste Teil. Das Repository führt 36 Sprachen auf, von Chinesisch und Englisch über Französisch, Arabisch, Khmer, Tibetisch und Kasachisch bis Uyghur. Der beschreibende Text dokumentiert ausschließlich bidirektionale Sprachübersetzung zwischen Chinesisch und Englisch. Beide Aussagen können zutreffen, wenn die zusätzlichen Sprachen zum aus Hy-MT2 übernommenen Text-Backbone gehören und nicht zum Sprachpfad. Die Model Card sagt das jedoch nicht, und wer ein japanisches oder arabisches Deployment plant, sollte dies als unbestätigt betrachten, bis Tencent es dokumentiert.

Selbst betreiben und was das an Hardware kostet

Der dokumentierte Weg ist vLLM 0.31 oder neuer mit HYV3ForCausalLM-Unterstützung plus dem Paket simulst. Ein einziger Befehl richtet die Umgebung ein und startet sowohl den Modellserver als auch ein Web-/API-Frontend auf den Ports 8800 bzw. 8080; das Frontend akzeptiert Audio-Uploads, ein Mikrofon oder einen WebSocket-Stream und schreibt übersetztes Audio auf die Festplatte, wenn TTS konfiguriert ist. Es gibt außerdem eine llama.cpp-Brücke, die die Web-Schicht auf Port 8094 gegen einen vorhandenen llama.cpp-Server auf 8080 ausführt, mit einem MODEL_TYPE-Schalter für Checkpoints nur für Übersetzung gegenüber Quelle plus Übersetzung. Der Speicher ist die praktische Hürde: 30,4 Milliarden Parameter in BF16 sind etwa 61 GB Gewichte vor KV-Cache und Aktivierungen, daher ist eine einzelne 80-GB-Beschleunigerkarte die realistische Untergrenze, und der FP8-Build ist es, der eine kleinere Karte plausibel macht. Das sind unsere Werte aus der Parameteranzahl, nicht Tencent’s Mindestspezifikation, die die Karte nicht angibt.

Für Teams, deren Meeting-Pipeline mehr als nur Übersetzen umfasst – das Transkript zusammenfassen, Aktionspunkte extrahieren, die Nachbereitung formulieren –, ist der Dolmetscher eine von mehreren Stufen, und die späteren Stufen sind gewöhnliche API-Aufrufe bei den Anbietern, die in diesem Monat gerade am besten sind. Das ist die Ebene, die OrcaRouter abdeckt: eine API für über 200 Modelle mit den Listenpreisen der Anbieter, zu 0 % Aufschlag durchgereicht, automatischem Failover, wenn ein Anbieter ins Stolpern gerät, und einer Routing-DSL zum Zusammensetzen von Stufen. Hy-SimulMT selbst ist nicht in unserem Katalog, und wir hosten es nicht; der Punkt ist, dass die umgebende Arbeit keinen separaten Vertrag pro Anbieter braucht.

Was würde diese Einschätzung ändern?

Drei Dinge sind es wert, beobachtet zu werden, und zwar in der Reihenfolge, in der sie am meisten klären würden. Eine unabhängige Evaluierung – der IWSLT-Zirkel veröffentlicht jedes Jahr StreamLAAL-Zahlen für offene Systeme, und eine Einreichung, die diese Gewichte verwendet, wäre die erste Zahl, die nicht vom Eigentümer des Modells erzeugt wurde. Ein gehosteter Endpunkt mit einem Preis, der Ihnen sagen würde, ob Tencent dies als Infrastruktur oder als Funktion seiner eigenen App beabsichtigt. Und der llama.cpp-Merge, der entscheidet, ob die GGUF-Builds eine echte lokale Option oder ein Platzhalter sind. Bis dahin lautet die ehrliche Zusammenfassung, dass Tencent den leistungsfähigsten offenen Simultansprachübersetzer veröffentlicht hat, den wir gesehen haben – mit starken Herstellerzahlen, einer permissiven Lizenz und keiner externen Bestätigung für irgendetwas davon – und dass der Zeitpunkt, einen Tag vor einer APEC-Partnerschaftsankündigung, nahelegt, dass die Bestätigung, die Tencent wichtig ist, ein Freiwilliger in Shenzhen mit einem Telefon ist, nicht ein Benchmark-Leaderboard.