Tencent a développé un interprète en 3 secondes et l’a lancé sans communiqué de presse.

Le 22 octobre 2026, six dépôts d'une nouvelle famille de modèles sont apparus sous l'organisation tencent sur Hugging Face. Celui dont traite cet article est Hy-SimulMT-30B-A3B-Interleave, la variante qui émet à la fois le texte source reconnu et la traduction ; son homologue Hy-SimulMT-30B-A3B n'émet que la traduction. Les deux sont sous Apache-2.0, les deux comptent 30,4 milliards de paramètres, et les deux sont conçus pour une tâche qu'aucune des précédentes publications de traduction de Tencent ne savait accomplir : écouter un discours en chinois ou en anglais au fil de son énonciation et produire l'autre langue alors que la phrase est encore en cours. Quatre jours plus tard, le dépôt principal affichait zéro téléchargement et deux mentions J'aime. Il n'y a eu aucun billet de blog Hunyuan, aucun communiqué de presse, aucun article arXiv, et pas une ligne dans la couverture sinophone de l'activité de traduction de Tencent qui avait cours tout au long du mois. La seule annonce est une unique puce datée dans la section News de la fiche du modèle, ajoutée le 26 octobre, qui indique : released.

Cet écart entre ce que font les poids et l’ampleur de leur annonce, voilà l’histoire. Un interprète simultané avec environ trois secondes de décalage, téléchargeable sous une licence permissive, n’est pas une publication ordinaire : c’est l’élément qui transforme une application de traduction d’un outil avec lequel on prend des tours en un outil que l’on peut porter en réunion. L’explication la plus probable de ce silence se trouve dans le calendrier : Tencent est devenu partenaire stratégique de la 33e réunion des dirigeants économiques de l’APEC à Shenzhen le 23 octobre, le lendemain de la mise en ligne des poids, et son application Hy Translate a été désignée outil officiel de traduction par IA pour les bénévoles et le personnel travaillant lors de cet événement, qui se déroule les 18 et 19 novembre. Il s’agit d’une déduction fondée sur des dates publiques, et non de quelque chose que Tencent a déclaré. Ce qui suit distingue ce que le dépôt prouve de ce qu’il ne fait que suggérer.

Qu'y a-t-il réellement dans le dépôt ?

L'architecture est un modèle de langage causal à entrée vocale et sortie textuelle, étiqueté hy_v3 et instancié sous le nom de HYV3SpeechForCausalLM. La configuration détaille une pile creuse de mélange d'experts : 48 couches, une taille cachée de 2 048, 128 experts avec une dimension cachée d'expert de 768, huit experts routés plus un expert partagé par token, et une seule couche dense en tête. L'index safetensors compte 30 394 788 480 paramètres en BF16, avec 6 016 paramètres supplémentaires stockés en F32. Tencent ne développe jamais le « A3B » dans le nom, mais l'arithmétique concorde : huit experts routés plus un expert partagé, à cette largeur d'expert, donnent environ 3 milliards de paramètres actifs par token. C'est notre calcul à partir de la configuration publiée, et non un chiffre du fournisseur.

Le front-end audio se trouve dans le même fichier de configuration plutôt que caché derrière un pipeline : 128 bins mel, un encodeur à 24 couches de largeur 1 024 projetant vers 2 048, un échantillonnage à 16 kHz et un maximum de 480 000 échantillons — trente secondes — par fenêtre d’entrée. La génération utilise par défaut une température de 0,0 avec max_new_tokens à 64, ce à quoi on s’attendrait d’un modèle conçu pour émettre un court segment de texte traduit puis attendre la suite de l’audio. Les embeddings de position maximaux sont indiqués à 262 144 ; la fiche modèle ne publie aucune longueur de contexte utilisable, et pour de l’audio en streaming, ce nombre est bien moins significatif que la fenêtre de trente secondes.

Six checkpoints livrés en une seule fois : base et Interleave, chacun avec une version FP8 et une version GGUF. Le fichier de licence est Apache-2.0, avec l’exception habituelle selon laquelle les composants tiers intégrés conservent leurs propres conditions. La fiche modèle nomme douze contributeurs, renvoie à un dépôt GitHub contenant à la fois un service d’inférence appelé SimulInfer et une boîte à outils d’entraînement appelée SimulTrain, et cite une page produit Tencent plutôt qu’un article.

Le chiffre de latence, et la ligne du benchmark qui sape le titre

L’affirmation qui compte pour un modèle simultané n’est pas la qualité de traduction prise isolément — c’est la qualité à un décalage donné. Tencent évalue cela sur l’audio de longue durée RealSI et rapporte un StreamLAAL d’environ trois secondes, décrit comme le plus faible parmi les systèmes comparés, avec un score GEMBA supérieur à celui des modèles open source de la comparaison et à celui de quatre des cinq API commerciales. StreamLAAL mesure le décalage moyen entre les tokens source et cible dans un contexte de streaming ; il ne s’agit pas du temps jusqu’au premier audio, et la fiche le dit explicitement. La fiche ne nomme pas non plus la cinquième API commerciale qui l’a devancé sur GEMBA.

Le tableau en version courte est plus instructif parce qu’il est moins flatteur dans une colonne. Sur quatre benchmarks publics, Tencent annonce Hy-SimulMT à 90,3 sur FLEURS, 75,5 sur CoVoST2, 81,2 sur ACL6060 et 84,7 sur RealSI-Sentence. En face, Qwen3.8-LiveTranslate affiche 88,4, 82,1, 80,5 et 84,4 ; Gemini3.5-LiveTranslate affiche 92,4, 74,4, 82,6 et 82,2 ; Seed-LiveInterpret2.0 affiche 85,8, 67,7, 74,8 et 80,0. Lisez les colonnes plutôt que le résumé : Hy-SimulMT l’emporte sur FLEURS, ACL6060 et RealSI-Sentence parmi les systèmes ouverts, perd CoVoST2 face à Qwen de 6,6 points, et perd FLEURS face à Gemini de 2,1. La phrase de la fiche elle-même — « supérieur aux autres modèles open source sur FLEURS, ACL6060 et RealSI-Sentence » — est soigneusement circonscrite, et le benchmark manquant est celui où il obtient les moins bons résultats. Chaque chiffre de ce tableau a été produit par Tencent. Aucun laboratoire indépendant n’a testé ce modèle.

La comparaison humaine mérite une lecture plus attentive que le titre.

Tencent a également commandé une comparaison appariée avec des interprètes professionnels : dix-huit enregistrements en chinois et en anglais publiés en ligne à partir de septembre 2026, d'environ six minutes chacun, couvrant dix domaines allant des logiciels et de la médecine au droit et à l'agriculture, interprétés par six professionnels — trois titulaires d'un certificat CATTI de niveau 1 et trois de niveau 2. Pour chaque niveau de certification, le meilleur des trois interprètes a servi de point de comparaison. Conclusion : le modèle atteint une qualité équivalente à celle d'interprètes simultanés humains experts tout en répondant souvent plus vite.

C’est un résultat frappant, et c’est aussi un résultat modeste, ce que la carte indique clairement dans une note de bas de page : les conclusions ne s’appliquent qu’à ces échantillons, à ces interprètes et à ce contexte, et ne constituent pas une évaluation de la qualité de la parole ni de la similitude des voix. Deux détails méthodologiques méritent d’être retenus. Le recours à l’interprète le mieux noté à chaque niveau fixe une barre exigeante en matière de qualité, mais inégale pour la latence, puisque la comparaison se fait avec une personne plutôt qu’avec le professionnel médian. Et le test mesure la transmission de l’information et le timing, pas ce que la plupart des auditeurs remarquent d’abord dans une parole machine : savoir si elle sonne comme celle d’une personne.

Ce à quoi le dépôt ne répond pas

Plusieurs questions qu’un acheteur poserait d’emblée n’ont encore aucune réponse publiée. Il n’existe ni API hébergée ni prix : contrairement à la famille Hy-MT2, que Tencent répertorie sur Tencent Cloud à des tarifs par token publiés, Hy-SimulMT se limite à des poids et à une application mobile, et le panneau des fournisseurs d’inférence de Hugging Face l’indique comme non déployé par aucun fournisseur. Il n’existe ni rapport technique ni benchmark en dehors de l’évaluation de Tencent elle-même. La fiche précise que la sortie vocale et le clonage de voix nécessitent un service TTS configuré, de sorte que la formulation « speech-to-speech » décrit un système assemblé autour du modèle, et non un checkpoint unique qui émet de l’audio. La prise en charge par llama.cpp n’est explicitement pas fusionnée en amont — la fiche recommande d’attendre une version qui prend en charge le modèle, même si des builds GGUF sont publiés, et la variable d’environnement d’exemple fait référence à un checkpoint nommé hymt-A3b-tgt_only-1019-Q8_0.gguf, un nom d’artefact qui ne correspond pas aux identifiants publics du modèle.

Les métadonnées linguistiques sont la partie la plus déroutante. Le dépôt répertorie 36 langues, du chinois et de l’anglais au français, à l’arabe, au khmer, au tibétain, au kazakh et à l’ouïghour. Le texte ne documente qu’une traduction vocale bidirectionnelle entre le chinois et l’anglais. Les deux affirmations peuvent être vraies si les langues supplémentaires appartiennent au socle textuel hérité de Hy-MT2 plutôt qu’au pipeline vocal, mais la fiche ne le précise pas, et toute personne envisageant un déploiement en japonais ou en arabe devrait considérer cela comme non confirmé tant que Tencent ne l’aura pas documenté.

Le faire tourner vous-même, et ce que cela coûte en matériel

Le parcours documenté repose sur vLLM 0.31 ou version ultérieure avec prise en charge de HYV3ForCausalLM, ainsi que sur le paquet simulst. Une seule commande provisionne l’environnement et démarre à la fois le serveur de modèle et une interface web/API sur les ports 8800 et 8080 respectivement ; l’interface accepte des fichiers audio téléversés, un microphone ou un flux WebSocket, et écrit l’audio traduit sur disque lorsque la TTS est configurée. Il existe également un pont llama.cpp qui exécute la couche web sur le port 8094 face à un serveur llama.cpp existant sur 8080, avec un commutateur MODEL_TYPE pour les checkpoints de traduction seule versus source + traduction. La mémoire est le véritable facteur limitant : 30,4 milliards de paramètres en BF16 représentent environ 61 Go de poids avant le cache KV et les activations, donc un seul accélérateur de 80 Go constitue le minimum réaliste, et c’est la version FP8 qui rend une carte plus petite envisageable. Ce sont nos chiffres issus du nombre de paramètres, et non la spécification minimale de Tencent, que la fiche ne mentionne pas.

Pour les équipes dont le pipeline de réunions fait plus que traduire — résumer la transcription, extraire les points d'action, rédiger le suivi — l'interprète n'est qu'une étape parmi plusieurs, et ces étapes ultérieures sont de simples appels API auprès des fournisseurs qui se trouvent être les meilleurs ce mois-là. C'est la couche que couvre OrcaRouter : une API pour plus de 200 modèles avec les prix catalogue des fournisseurs répercutés à 0 % de marge, un basculement automatique en cas de défaillance d'un fournisseur et un DSL de routage pour composer les étapes. Hy-SimulMT lui-même ne figure pas dans notre catalogue et nous ne l'hébergeons pas ; l'idée est que le travail périphérique n'a pas besoin d'un contrat distinct par fournisseur.

Qu’est-ce qui changerait cette évaluation ?

Trois choses méritent d’être suivies, par ordre de ce qu’elles permettraient de trancher. Une évaluation indépendante — le circuit IWSLT publie chaque année des chiffres StreamLAAL pour les systèmes ouverts, et une soumission utilisant ces poids serait le premier chiffre non produit par le propriétaire du modèle. Un point de terminaison hébergé avec un prix, qui vous dirait si Tencent le conçoit comme une infrastructure ou comme une fonctionnalité de sa propre application. Et la fusion llama.cpp, qui déterminera si les builds GGUF sont une véritable option locale ou un simple placeholder. D’ici là, le résumé honnête est que Tencent a publié le traducteur simultané de la parole ouvert le plus performant que nous ayons vu, avec de solides chiffres fournisseur, une licence permissive et aucune confirmation externe de tout cela — et que le calendrier, un jour avant une annonce de partenariat APEC, suggère que la confirmation qui importe à Tencent est celle d’un bénévole à Shenzhen tenant un téléphone, pas un classement de benchmark.