Hy-SimulMT-30B-A3B vs. Helsinki-NLP OPUS-MT: Ein Live-Dolmetscher gegen einen Ordner voller Spezialisten

Stellen Sie sich denselben Konferenzvortrag auf zwei Arten vor. Bei der ersten speist ein Mikrofon einen automatischen Spracherkenner, der erkannte Satz geht an ein Übersetzungsmodell, die Übersetzung geht an einen Sprachsynthesizer, und der Zuhörer hört Englisch wenige Sekunden, nachdem der Sprecher das Mandarin gesagt hat – wobei jeder Name, jede Zahl und jedes Akronym drei separate Gelegenheiten, verunstaltet zu werden, überstanden hat. Bei der zweiten hört ein einziges Modell dem Audio zu und gibt die Übersetzung aus, während der Satz sich entfaltet. Hy-SimulMT-30B-A3B, das Tencent am 22. Oktober 2026 als Gewichte veröffentlicht hat, ist für die zweite Art ausgelegt. Helsinki-NLP OPUS-MT ist das weltweit am weitesten verbreitete offene Übersetzungssystem und ist für eine engere Variante der ersten ausgelegt: Es übersetzt Text, jeweils einen Satz auf einmal, eine Sprachrichtung pro Checkpoint, und es wurde Hunderttausende Male heruntergeladen, weil es diese Aufgabe kostenlos auf einer CPU erledigt.

Diese beiden sind keine Rivalen im üblichen Sinne. Das eine ist ein Sprachmodell mit 30,4 Milliarden Parametern, das einen Beschleuniger benötigt; das andere ist eine Sammlung von mehr als tausend zweisprachigen Checkpoints mit jeweils etwa 70–80 Millionen Parametern, von denen die meisten rund 300 MB groß sind und problemlos auf einem Laptop laufen. Der sinnvolle Vergleich ist nicht, welches von beiden besser übersetzt. Er betrifft die Frage, wo die Grenze zwischen einer Übersetzungskomponente und einem Übersetzungssystem verläuft und wie viel von dieser Grenze Sie selbst besitzen möchten.

Was jedes einzelne tatsächlich ist

OPUS-MT wird von der NLP-Gruppe der Universität Helsinki gepflegt und basiert auf der MarianMT-Encoder-Decoder-Architektur. Es ist kein Modell, sondern ein Katalog: separate Checkpoints für Chinesisch-Englisch, Englisch-Chinesisch, Englisch-Deutsch und mehrere hundert weitere Richtungen, jeweils auf parallelen Korpora aus der OPUS-Sammlung trainiert und jeweils einzeln herunterladbar. Allein der Checkpoint Chinesisch-Englisch wurde fast eine halbe Million Mal heruntergeladen; die Gegenrichtung etwa 73.000 Mal. Es gibt mehrsprachige Varianten, die viele Ausgangssprachen in einem einzigen Modell mit Englisch als Zielsprache bündeln, doch der Normalfall ist ein eng spezialisierter Checkpoint, der genau eine Aufgabe kennt.

Die Architektur erklärt sowohl ihre Stärke als auch ihre Leistungsgrenze. Ein Encoder-Decoder mit 77 Millionen Parametern, der ausschließlich auf Paralleltext trainiert wurde, hat keinen Raum für Weltwissen, keine Instruktionsschnittstelle und keinen Mechanismus für Streaming. Gib ihm einen Satz, und es gibt einen Satz zurück. Gib ihm einen Absatz, und es übersetzt den Absatz als Folge von Sätzen ohne gemeinsamen Kontext; veröffentlichte technische Notizen berichten von einer Tendenz, bei langen Eingaben Inhalte stillschweigend zu verwerfen. Man kann ihm nicht sagen, einen Glossarbegriff beizubehalten, einen JSON-Schlüssel zu erhalten oder ein formelles Register zu treffen – diese handhabt man mit Vor- und Nachbearbeitung oder mit eingeschränkter Dekodierung, wenn man bereit ist, sie zu implementieren.

Hy-SimulMT-30B-A3B ist eine ganz andere Art von Objekt. Seine Konfiguration beschreibt ein spärliches Mixture-of-Experts-Modell mit 48 Schichten, 128 Experten, acht gerouteten plus einem geteilten pro Token sowie einen 24-schichtigen Audio-Encoder, der ein 2.048 breites Backbone speist. Die Bezeichnung „A3B“ im Namen wird in der Karte nicht erläutert, aber die Konfigurationsarithmetik ergibt rund 3 Milliarden aktive Parameter gegenüber 30,4 Milliarden insgesamt. Es nimmt 16-kHz-Audio in 30-Sekunden-Fenstern entgegen und erzeugt übersetzten Text; die Interleave-Variante gibt zusätzlich die Quelltranskription aus. Text-to-Speech und Voice Cloning werden von einem separaten Dienst übernommen, mit dem das Deployment-Toolkit verbunden wird, was bedeutet, dass das „Speech-to-Speech“-Produkt eine Zusammensetzung und nicht eine einzelne Datei ist.

Das Latenzargument ist eigentlich ein Fehlerfortpflanzungsargument.

Die Latenz ist der offensichtliche Unterschied und der am wenigsten interessante. Eine Kaskade lässt sich auf Geschwindigkeit trimmen; eine gute Streaming-ASR mit partiellen Hypothesen plus ein kleines MT-Modell kann einen brauchbaren Untertitelstrom deutlich weniger als eine Sekunde hinter dem Sprecher erzeugen. Der Grund, warum simultane Modelle existieren, ist, dass Geschwindigkeit in einer Kaskade dadurch erkauft wird, dass jede Stufe weniger Kontext erhält, und jede Stufe dann Fehler macht, die die nächste Stufe nicht sehen kann. Der Erkenner verhört sich bei einem Eigennamen, der Übersetzer hat keine Möglichkeit zu wissen, dass es ein Name war, und der Synthesizer spricht den Fehler mit Überzeugung aus. Der Zuhörer hat keine Möglichkeit zu erkennen, welche Stufe versagt hat.

Ein einziges Modell, das end-to-end auf der gesamten Aufgabe trainiert wurde, kann eine Entscheidung grundsätzlich aufschieben, bis das Audio die Mehrdeutigkeit auflöst, und es kann die Stimme des Sprechers durchreichen, wenn Voice Cloning aktiviert ist. Tencents Aussage betrifft genau diesen Kompromiss: ein StreamLAAL von ungefähr drei Sekunden bei langem RealSI-Audio, beschrieben als der niedrigste unter den verglichenen Systemen, mit einem GEMBA-Qualitätswert über dem der Open-Source-Modelle in seiner Tabelle und vier der fünf kommerziellen APIs. Ob drei Sekunden gut sind, hängt ganz vom Kontext ab – in einer Verhandlung sind sie eine lange Zeit, in einer Vorlesung eine kurze –, doch gemessen wird auf der Streaming-Aufgabe, also der Aufgabe, die OPUS-MT ohne eine darum herum gebaute Kaskade nicht angehen kann.

Abdeckung, ehrlich gezählt

Hier gewinnt der Ordner entscheidend, und das ist der Punkt, den die meisten Vergleiche verwischen. Die mehr als tausend Checkpoints von OPUS-MT umfassen rund hundert Sprachen in verschiedenen Richtungen, darunter ressourcenarme Paare, die kein großes mehrsprachiges Modell je gesehen hat. Hy-SimulMT dokumentiert bidirektionale Sprachübersetzung zwischen Chinesisch und Englisch. Die Metadaten des Repositorys kennzeichnen 36 Sprachen – darunter Französisch, Arabisch, Khmer, Tibetisch, Kasachisch und Uigurisch –, aber der Fließtext beschreibt nur das chinesisch-englische Paar, und nichts in der Karte erklärt die Diskrepanz. Die wahrscheinlichste Deutung ist, dass die Tags den aus der Hy-MT2-Familie von Tencent geerbten Text-Backbone beschreiben und nicht die Sprachfähigkeit, aber das ist eine Interpretation, keine veröffentlichte Tatsache.

Die ehrliche Abdeckungsaussage lautet also: sechsunddreißig in den Metadaten angegebene Sprachen, zwei für Sprache dokumentierte Sprachen, gegenüber einem Katalog von gut hundert Sprachen im Text. Wenn Ihre Anforderung Mandarin zu Englisch in einem Live-Meeting ist, richtet sich Hy-SimulMT genau an Sie. Wenn Ihre Anforderung Polnisch zu Finnisch bei einem statischen Dokument ist, hat OPUS-MT dafür einen Checkpoint, Hy-SimulMT nicht.

Qualitätsnachweise: Die eine Seite hat unabhängige Zahlen, die andere eine Anbietertabelle.

Die unabhängigen Belege sprechen bei der eng gefassten Frage der Textübersetzungsqualität für OPUS-MT. Eine veröffentlichte Studie zur Fassa-Ladinisch-Übersetzung maß ein OPUS-MT-Modell mit 55,61 BLEU für Italienisch nach Englisch gegenüber 52,93 für NLLB-200 und 44,18 für M2M-100 sowie mit 44,35 für Englisch nach Italienisch gegenüber 40,13 und 32,40. Die Lehre aus dieser Studie ist, dass ein ausschließlich auf eine Richtung trainiertes Modell diese Richtung noch immer gegenüber weit größeren mehrsprachigen Systemen gewinnen kann. Sie sagt nichts über gesprochene Sprache aus, und sie betrifft Hy-SimulMT nicht, denn kein unabhängiges Labor hat Hy-SimulMT überhaupt evaluiert.

Auf der anderen Seite meldet Tencent für Hy-SimulMT 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 und 84,7 RealSI-Sentence, alle aus der eigenen Evaluierung. Dabei handelt es sich um Sprachübersetzungs-Benchmarks, daher sind sie nicht mit den oben genannten BLEU-Werten vergleichbar, und sie sind nicht durch Dritte bestätigt. Das eine erwähnenswerte interne Signal ist, dass das Modell bei CoVoST2 um 6,6 Punkte gegen Qwen3.8-LiveTranslate verliert, während es in den anderen drei Spalten unter den offenen Systemen gewinnt – eine Erinnerung daran, dass eine einzelne Zahl eine echte Schwäche verborgen hätte.

Kosten und Bereitstellung Seite an Seite

• Parameter — Hy-SimulMT-30B-A3B: insgesamt 30,4B, etwa 3B aktiv, spärliches MoE; Helsinki-NLP OPUS-MT: etwa 70–80M pro Checkpoint, dicht.

• Speicherbedarf — Hy-SimulMT: etwa 61 GB BF16-Gewichte vor dem KV-Cache, daher ist ein 80-GB-Beschleuniger die praktische Untergrenze; FP8-Builds sind veröffentlicht. OPUS-MT: etwa 300 MB pro Checkpoint, CPU-fähig.

• Latenzmodell — Hy-SimulMT: Streaming, ca. 3 s StreamLAAL bei Langform-Audio. OPUS-MT: satzweise; Streaming erfordert eine ASR und eine Segmentierungsrichtlinie, die Sie selbst erstellen.

• Sprachen — Hy-SimulMT: Chinesisch und Englisch für gesprochene Sprache dokumentiert, 36 in Metadaten getaggt. OPUS-MT: rund hundert Sprachen über mehr als tausend gerichtete Checkpoints.

• Lizenz — Hy-SimulMT: Apache-2.0 für die Gewichte und den Code von Tencent, wobei Drittanbieterkomponenten unter ihren eigenen Bedingungen stehen. OPUS-MT: je Checkpoint und nicht einheitlich — das Modell Chinesisch-Englisch ist CC-BY-4.0, das Modell Englisch-Chinesisch ist Apache-2.0, Englisch-Deutsch ist CC-BY-4.0. Prüfen Sie vor der Auslieferung die jeweilige Karte.

• Gehostete API — Hy-SimulMT: keine veröffentlicht. OPUS-MT: keine; nur Gewichte.

Dieses letzte Paar ist für die Beschaffung wichtig. Keines der beiden Modelle steht in OrcaRouters Katalog, und wir hosten keines von beiden – Sie hosten die Gewichte selbst oder nutzen den eigenen Kanal des Anbieters. Wo Routing wirklich seinen Platz verdient, ist im Rest der Pipeline: Der Transkript-Zusammenfasser, der Glossar-Prüfer, der Post-Editor und der Chat-Assistent rund um die Übersetzungsstufe sind gewöhnliche Modellaufrufe, und sie über eine API für 200+ Modelle zu 0 % Aufschlag auf die Listenpreise der Anbieter laufen zu lassen, vermeidet einen separaten Vertrag pro Anbieter. Übersetzung ist selten das Einzige, was ein Meeting-Produkt tut.

Welcher gehört in deinen Stack

Wählen Sie OPUS-MT, wenn die Eingabe bereits Text ist, die Richtung feststeht, das Volumen hoch und das Budget null ist. Pipelines für Rechtsdokumente, Untertiteldateien, E-Commerce-Kataloge und Offline-Browserübersetzung werden immer noch besser von einem 300-MB-Spezialmodell bedient als von einem Modell mit 30 Milliarden Parametern, und die Lizenz pro Checkpoint ist das Einzige, was Sie prüfen müssen. Wählen Sie Hy-SimulMT, wenn die Eingabe Audio ist und der Zuhörer wartet: Live-Meetings, Vorlesungen, Interviews, Broadcast-Dolmetschen – jede Umgebung, in der eine Verzögerung von drei Sekunden und eine beibehaltene Stimme einen Beschleuniger und einen TTS-Dienst wert sind.

Der Fehler, den es zu vermeiden gilt, ist, dies als Qualitätswettbewerb zu behandeln. OPUS-MT verliert gegen Hy-SimulMT nicht bei der Textübersetzung; es verliert bei einer Aufgabe, für die es nie gebaut wurde. Und Hy-SimulMT ersetzt nicht tausend sorgfältig erstellte zweisprachige Modelle durch ein einziges cleveres — es ersetzt eine Kaskade, die man sonst selbst zusammenstellen, abstimmen und debuggen müsste. Das sind unterschiedliche Anschaffungen, und nur eine davon kommt in einem Ordner.