Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: un intérprete en directo frente a una carpeta de especialistas

Imagina la misma ponencia de conferencia procesada de dos maneras. En la primera, un micrófono alimenta a un reconocedor automático del habla, la frase reconocida pasa a un modelo de traducción, la traducción pasa a un sintetizador de voz y el oyente escucha inglés unos segundos después de que el hablante haya dicho el mandarín —y cada nombre, número y acrónimo ha sobrevivido a tres ocasiones distintas de acabar destrozado. En la segunda, un único modelo escucha el audio y emite la traducción a medida que la frase se desarrolla. Hy-SimulMT-30B-A3B, publicado como pesos por Tencent el 22 de octubre de 2026, está diseñado para la segunda. Helsinki-NLP OPUS-MT es el sistema de traducción abierto más ampliamente desplegado del mundo y está diseñado para una versión más restringida del primero: traduce texto, una frase a la vez, una dirección de idioma por punto de control, y se ha descargado cientos de miles de veces porque hace ese trabajo en una CPU de forma gratuita.

Estos dos no son rivales en el sentido habitual. Uno es un modelo de voz de 30,4 mil millones de parámetros que necesita un acelerador; el otro es una colección de más de mil checkpoints bilingües de aproximadamente 70–80 millones de parámetros cada uno, la mayoría de alrededor de 300 MB, que funcionan cómodamente en un portátil. La comparación útil no es cuál traduce mejor. Es dónde está la frontera entre un componente de traducción y un sistema de traducción, y cuánto de esa frontera quieres tener bajo tu control.

Lo que realmente es cada uno

OPUS-MT lo mantiene el grupo de PLN de la Universidad de Helsinki y se basa en la arquitectura codificador-decodificador MarianMT. No es un modelo, sino un catálogo: checkpoints independientes para chino-inglés, inglés-chino, inglés-alemán y varios cientos de direcciones más, cada uno entrenado con corpus paralelos de la colección OPUS y descargable de forma aislada. Solo el checkpoint de chino-inglés se ha descargado casi medio millón de veces; la dirección inversa, unas 73.000. Hay variantes multilingües que combinan muchos idiomas de origen en un único modelo con el inglés como destino, pero el caso habitual es un especialista limitado que sabe hacer exactamente una tarea.

La arquitectura explica tanto su virtud como su techo. Un codificador-decodificador de 77 millones de parámetros entrenado solo con texto paralelo no tiene espacio para el conocimiento del mundo, ni una interfaz de instrucciones, ni un mecanismo de streaming. Aliméntalo con una frase y devuelve una frase. Aliméntalo con un párrafo y traducirá el párrafo como una secuencia de frases sin contexto compartido, y notas de ingeniería publicadas señalan una tendencia a omitir contenido de forma silenciosa en entradas largas. No se le puede indicar que mantenga un término del glosario, que conserve una clave JSON o que se ajuste a un registro formal — esos casos se gestionan con preprocesamiento y posedición, o con decodificación restringida si se está dispuesto a implementarla.

Hy-SimulMT-30B-A3B es un objeto de otra especie. Su configuración describe un modelo de mezcla de expertos disperso de 48 capas con 128 expertos, ocho enrutados más uno compartido por token, y un codificador de audio de 24 capas que alimenta un backbone de 2.048 dimensiones. El "A3B" del nombre no se desarrolla en la tarjeta, pero la aritmética de la configuración da aproximadamente 3 mil millones de parámetros activos frente a 30,4 mil millones en total. Acepta audio de 16 kHz en ventanas de treinta segundos y produce texto traducido; la variante Interleave también emite la transcripción de origen. La síntesis de voz y la clonación de voz las gestiona un servicio independiente al que se conecta el kit de implementación, lo que significa que el producto de "voz a voz" es un ensamblaje, no un único archivo.

El argumento de la latencia es en realidad un argumento de propagación de errores.

La latencia es la diferencia obvia y la menos interesante. Una cascada se puede ajustar para que sea rápida; un buen ASR en streaming con hipótesis parciales más un modelo de MT pequeño puede producir un flujo de subtítulos utilizable muy por debajo de un segundo de retraso respecto al hablante. La razón por la que existen los modelos simultáneos es que la velocidad en una cascada se compra a costa de dar a cada etapa menos contexto, y cada etapa comete entonces errores que la siguiente no puede ver. El reconocedor oye mal un nombre propio, el traductor no tiene forma de saber que era un nombre, y el sintetizador pronuncia el error con seguridad. El oyente no tiene forma de saber qué etapa falló.

Un único modelo entrenado de extremo a extremo con toda la tarea puede, en principio, aplazar una decisión hasta que el audio resuelva la ambigüedad, y puede conservar la voz del hablante si la clonación de voz está habilitada. La afirmación de Tencent se refiere precisamente a esta disyuntiva: un StreamLAAL de aproximadamente tres segundos en audio RealSI de formato largo, descrito como el más bajo entre los sistemas comparados, con una puntuación de calidad GEMBA superior a la de los modelos de código abierto de su tabla y a la de cuatro de cinco API comerciales. Que tres segundos sean buenos depende por completo del contexto: es mucho tiempo en una negociación y poco tiempo en una conferencia, pero se mide en la tarea de streaming, que es la tarea que OPUS-MT no puede intentar sin una cascada construida a su alrededor.

Cobertura, contada con honestidad

Aquí es donde la carpeta gana, de forma decisiva, y es la parte que más comparaciones difuminan. Los más de mil puntos de control de OPUS-MT abarcan aproximadamente cien idiomas en diversas direcciones, incluidos pares de bajos recursos que ningún modelo multilingüe grande ha visto jamás. Hy-SimulMT documenta la traducción de voz bidireccional entre chino e inglés. Las etiquetas de metadatos del repositorio indican 36 idiomas —entre ellos francés, árabe, jemer, tibetano, kazajo y uigur—, pero el texto solo describe el par chino-inglés, y nada en la ficha explica la discrepancia. La lectura más probable es que las etiquetas describan la base textual heredada de la familia Hy-MT2 de Tencent en lugar de la capacidad de voz, pero eso es una interpretación, no un hecho publicado.

Así que la línea honesta de cobertura es: treinta y seis idiomas declarados en los metadatos, dos idiomas documentados para voz, frente a un catálogo de un centenar largo de idiomas en texto. Si su requisito es de mandarín a inglés en una reunión en vivo, Hy-SimulMT está dirigido exactamente a usted. Si su requisito es de polaco a finés en un documento estático, OPUS-MT tiene un checkpoint para ello y Hy-SimulMT no.

Evidencia de calidad: un lado tiene cifras independientes, el otro tiene una tabla del proveedor

La evidencia independiente favorece a OPUS-MT, en la cuestión limitada de la calidad de la traducción de texto. Un estudio publicado sobre la traducción de ladino fassano midió un modelo OPUS-MT en 55,61 BLEU de italiano a inglés frente a 52,93 de NLLB-200 y 44,18 de M2M-100, y 44,35 de inglés a italiano frente a 40,13 y 32,40. La lección de ese estudio es que un modelo entrenado exclusivamente en una dirección todavía puede superar a sistemas multilingües mucho más grandes en esa dirección. No dice nada acerca del habla y no involucra a Hy-SimulMT, porque ningún laboratorio independiente ha evaluado Hy-SimulMT en absoluto.

Por otro lado, Tencent informa de 90,3 en FLEURS, 75,5 en CoVoST2, 81,2 en ACL6060 y 84,7 en RealSI-Sentence para Hy-SimulMT, todas ellas cifras de su propia evaluación. Esos son benchmarks de traducción de voz, así que no son comparables con las cifras BLEU anteriores y no cuentan con confirmación de terceros. La única señal interna digna de mención es que el modelo pierde CoVoST2 frente a Qwen3.8-LiveTranslate por 6,6 puntos, mientras que, entre los sistemas abiertos, gana en las otras tres columnas —un recordatorio de que una sola cifra habría ocultado una debilidad real.

Coste y despliegue, uno al lado del otro

• Parámetros — Hy-SimulMT-30B-A3B: 30,4B en total, aproximadamente 3B activos, MoE disperso; Helsinki-NLP OPUS-MT: alrededor de 70–80M por checkpoint, denso.

• Huella — Hy-SimulMT: aproximadamente 61 GB de pesos BF16 antes de la caché KV, por lo que un acelerador de 80 GB es el mínimo práctico; se publican compilaciones FP8. OPUS-MT: alrededor de 300 MB por checkpoint, compatible con CPU.

• Modelo de latencia — Hy-SimulMT: en streaming, aproximadamente 3 s de StreamLAAL en audio de larga duración. OPUS-MT: oración por oración; el streaming requiere un ASR y una política de segmentación que usted cree.

• Idiomas — Hy-SimulMT: chino e inglés documentados para voz, 36 etiquetados en metadatos. OPUS-MT: aproximadamente cien idiomas en más de mil puntos de control direccionales.

• Licencia — Hy-SimulMT: Apache-2.0 para los pesos y el código de Tencent, con componentes de terceros bajo sus propios términos. OPUS-MT: varía según el checkpoint y no es uniforme — el modelo de chino a inglés es CC-BY-4.0, el modelo de inglés a chino es Apache-2.0 y el de inglés a alemán es CC-BY-4.0. Consulta la tarjeta específica antes de distribuirlo.

• API alojada — Hy-SimulMT: ninguna publicada. OPUS-MT: ninguna; solo pesos.

Ese último par es importante para compras. Ninguno de los dos modelos está en el catálogo de OrcaRouter y no alojamos ninguno; tú alojas los pesos por tu cuenta o usas el canal propio del proveedor. Donde el enrutamiento sí se gana su lugar es en el resto del pipeline: el resumidor de transcripciones, el verificador de glosarios, el posteditor y el asistente de chat que rodean la etapa de traducción son llamadas normales a modelos, y ejecutarlos a través de una API para más de 200 modelos con un margen del 0 % sobre los precios de lista de los proveedores evita un contrato separado por proveedor. La traducción rara vez es lo único que hace un producto de reuniones.

¿Cuál pertenece a tu stack?

Elija OPUS-MT cuando la entrada ya sea texto, la dirección sea fija, el volumen sea alto y el presupuesto sea cero. Los flujos de documentos legales, los archivos de subtítulos, los catálogos de comercio electrónico y la traducción sin conexión en el navegador siguen funcionando mejor con un especialista de 300 MB que con un modelo de 30.000 millones de parámetros, y la licencia por punto de control es lo único que necesita auditar. Elija Hy-SimulMT cuando la entrada sea audio y el oyente esté esperando: reuniones en directo, conferencias, entrevistas, interpretación para radiodifusión, cualquier contexto en el que un retraso de tres segundos y una voz preservada merezcan un acelerador y un servicio de TTS.

El error que hay que evitar es tratar esto como un concurso de calidad. OPUS-MT no pierde frente a Hy-SimulMT en traducción de texto; pierde en una tarea para la que nunca fue creado. Y Hy-SimulMT no sustituye mil modelos bilingües cuidadosamente elaborados por uno ingenioso — sustituye una cascada que, de otro modo, tendrías que montar, ajustar y depurar tú mismo. Son compras distintas, y solo una de ellas viene en una carpeta.