Hy-SimulMT vs Hy-SimulMT-30B-A3B : un nom, six fichiers, deux sorties

Tapez Hy-SimulMT dans Hugging Face et vous ne trouverez aucun dépôt portant ce nom. Vous en trouverez six, et chacun d’eux s’appelle Hy-SimulMT-30B-A3B avec un suffixe ajouté. Voilà toute la comparaison en une phrase. Hy-SimulMT est le nom que Tencent Hunyuan a donné à l’annonce du 26 octobre 2026 — l’interprète chinois↔anglais en temps réel que la presse a décrit comme fonctionnant avec environ trois secondes de retard sur l’orateur. Hy-SimulMT-30B-A3B est le nom de l’artefact que vous pouvez réellement télécharger. Il n’y a pas de petit frère sous le nom court, pas de variante dense, pas de simple modèle « base » caché derrière. Le nom court est un projet ; le nom long est une famille de six fichiers. Ce qui suit est la décision qu’une page de comparaison enterre généralement : lequel de ces six exécuter, et pourquoi la réponse diffère pour une incrustation de sous-titres et pour un flux de réunion qui n’a besoin que d’une sortie audio.

Ce que Tencent a publié, et comment elle a décidé de l’appeler

Le dépôt officiel de Tencent considère Hy-SimulMT comme le nom du projet : « un modèle de traduction simultanée en temps réel développé par Tencent Hunyuan ». La fiche modèle le classe sous le même libellé court. La collection s'intitule « Hy Simultaneous Interpretation Model ». Nulle part dans ces documents n'est définie une hiérarchie d'une famille et de ses membres — pas de Hy-SimulMT-Small, pas de Hy-SimulMT-Mini, pas de checkpoint dense pour les personnes ne disposant pas d'un accélérateur de 80 gigaoctets. Chaque poids publié relève de la même architecture de mélange d'experts de classe 30B.

Ainsi, les six entrées de la collection ne sont pas six modèles à proprement parler. Ils constituent un seul et même modèle en six conditionnements :

• Hy-SimulMT-30B-A3B — sortie de traduction uniquement, précision complète, safetensors.

• Hy-SimulMT-30B-A3B-Interleave — transcription source plus traduction, précision complète, safetensors.

• Hy-SimulMT-30B-A3B-FP8 et Hy-SimulMT-30B-A3B-Interleave-FP8 — les deux mêmes formats de sortie dans une version en virgule flottante 8 bits conçue pour le service sur un seul GPU.

• Hy-SimulMT-30B-A3B-GGUF et Hy-SimulMT-30B-A3B-Interleave-GGUF — les deux mêmes formes de sortie quantisées pour llama.cpp, en Q4_K_M et Q8_0.

L’architecture sous-jacente est un modèle clairsemé de 30,4 milliards de paramètres, avec environ 3 milliards de paramètres actifs par token : 48 couches, 128 experts avec huit routés et un partagé par token, et un encodeur audio de 24 couches qui prend de l’audio à 16 kHz par fenêtres de 30 secondes. C’est la conception de cet encodeur qui mérite l’attention. Le modèle est conçu pour consommer l’audio au fur et à mesure qu’il arrive, et non pour recevoir un fichier terminé — c’est pourquoi l’affirmation sur la latence et celle sur le benchmark sont mesurées sur des choses différentes, et pourquoi aucune des deux ne vous dit lequel des six fichiers a produit le chiffre.

La licence est Apache-2.0 et sans restriction d'accès, ce qui constitue le fait le plus marquant de cette publication. Aucun formulaire, aucune condition d'utilisation acceptable, aucune clause non commerciale. L'usage commercial, la modification et la redistribution sont autorisés, et Tencent a publié une boîte à outils d'entraînement en complément du serveur d'inférence, de sorte que la poursuite de l'entraînement est un usage prévu plutôt qu'un usage non pris en charge.

Le choix qui compte vraiment est la forme de la sortie.

Entre les deux checkpoints en pleine précision, la différence n’est pas une question de qualité. Elle tient à ce que le modèle est autorisé à dire. Le checkpoint de base émet la traduction et rien d’autre. Le checkpoint Interleave émet le texte source reconnu puis la traduction, entrelacés au fil des flux audio.

Cela semble cosmétique jusqu’à ce qu’on regarde où ces systèmes sont déployés. Un flux de réunion en direct qui alimente la synthèse vocale veut le checkpoint de base : la transcription est un poids mort qui coûte des tokens de sortie, ajoute de la latence à chaque segment et fait fuiter la langue source dans un pipeline dont le seul consommateur est une voix. Une incrustation de sous-titres, une capture de conformité, une transcription bilingue ou tout flux de travail où une personne doit vérifier la traduction par rapport à ce qui a été dit veut le checkpoint Interleave, car l’alternative consiste à exécuter un reconnaisseur vocal distinct à côté du traducteur et à espérer que les deux segmentent l’audio de la même manière. Ils ne le feront pas.

L'exemple de déploiement en une seule commande de Tencent utilise par défaut la variante Interleave :

• bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave

C’est une valeur par défaut raisonnable pour une démo, où afficher le texte source prouve que le système écoute. C’est la mauvaise valeur par défaut pour un produit uniquement vocal, et c’est le détail que la plupart des couvertures de cette version oublient. Si vous évaluez le modèle sur le coût en tokens ou la latence de bout en bout, vous mesurez un système différent selon le checkpoint que vous avez chargé.

Il y a un coût de second ordre lié à Interleave que la fiche sous-entend mais ne chiffre pas. Les transcriptions en streaming sont modifiables. La sortie précoce peut être révisée à mesure que l’audio arrive, si bien qu’un client qui affiche du texte partiel doit être conçu pour accepter des corrections plutôt que des lignes en ajout seul. Le compte rendu d’AlphaSignal sur cette version souligne directement ce point, et c’est le genre de détail d’intégration qui fait passer un prototype de deux jours à trois semaines.

Les benchmarks ne précisent pas quelle variante a été mesurée.

Tencent publie quatre scores sur contenu court et une valeur de latence sur contenu long, et chaque ligne est étiquetée « Hy-SimulMT » — pas Hy-SimulMT-30B-A3B, et certainement pas la version de base face à Interleave. C'est là la lacune que la publication reconnaît honnêtement, et elle compte plus que n'importe quel chiffre qu'elle contient.

• FLEURS — 90,3. Gemini3.5-LiveTranslate obtient 92,4, ce n'est donc pas une victoire dans cette catégorie.

• CoVoST2 — 75,5, derrière Qwen3.8-LiveTranslate à 82,1. C'est la perte la plus évidente du tableau, et celle que la couverture médiatique principale a tendance à passer sous silence.

• ACL6060 — 81,2. Gemini3.5-LiveTranslate obtient 82,6.

• RealSI-Sentence — 84,7, la valeur la plus élevée de l’ensemble comparatif.

• Latence de RealSI en format long — un StreamLAAL d'environ trois secondes, décrit comme le plus faible parmi les systèmes comparés.

Tous ces résultats sont produits par le fournisseur. Aucun n’a été reproduit de manière indépendante, et la fiche précise explicitement que StreamLAAL ne correspond pas à la même mesure que le temps jusqu’à la première sortie vocale. Les vidéos de démonstration sont des rediffusions hors ligne, si bien que leur minutage de lecture ne constitue pas non plus une mesure de latence en direct. Lisez le tableau comme un ensemble d’affirmations du laboratoire qui a construit le modèle, formulées sur un banc d’essai qu’il a choisi, la variante restant non nommée.

Cette dernière omission est corrigeable en un après-midi par quiconque dispose du matériel : exécuter les deux checkpoints sur le même audio et publier l’écart. Tant que personne ne le fait, l’hypothèse raisonnable est que les chiffres publiés décrivent la voie de traduction seule, car c’est la mesure la plus propre — la variante Interleave doit émettre plus de tokens, et plus de tokens dans un décodeur en flux signifie plus de latence. Mais c’est une hypothèse, pas une divulgation.

Le format est la troisième décision, et le parcours GGUF comporte un piège.

Le checkpoint en pleine précision fait environ 61 Go en BF16. Cela place le plancher pratique pour un déploiement confortable à un accélérateur de 80 Go, soit le chiffre à prévoir si vous comptez servir le modèle tel que livré. La version FP8 existe précisément pour ramener cette exigence à une seule carte plus petite, et c'est ainsi que Tencent la positionne.

La voie GGUF semble encore moins chère, et les tailles de fichiers sont concrètes. Le dépôt Interleave GGUF indique Q4_K_M à 19,7 Go et Q8_0 à 33,3 Go. Une quantification à 19,7 Go d’un modèle de 30 milliards de paramètres fait la différence entre « nécessite une carte de centre de données » et « tient sur une station de travail », et c’est la version que la plupart des gens essaieront en premier.

Le hic, c’est que la prise en charge de cette architecture par llama.cpp n’a pas été fusionnée dans le dépôt amont. Tencent fournit un pont qui attend un serveur llama.cpp déjà en cours d’exécution et capable de gérer l’audio, avec un commutateur MODEL_TYPE — target_only pour le checkpoint de traduction seule, source_target pour celui entrelacé — et la documentation conseille d’attendre une version officielle. Utiliser aujourd’hui la build quantifiée revient à faire tourner un pont fournisseur par-dessus une build de llama.cpp qui ne sait pas encore ce qu’est ce modèle. C’est une chose raisonnable à faire pour une évaluation. C’est une base fragile pour un produit, et le mode de défaillance est une dépendance que vous ne pouvez pas mettre à niveau indépendamment du correctif du fournisseur.

Pour l'option vLLM, l'exigence est la version 0.31 ou ultérieure avec prise en charge de HYV3ForCausalLM, ainsi que le paquet simulst. Le déploiement multi-GPU est pris en charge via le parallélisme tensoriel. L'installateur en une seule commande lance le service web et l'API sur le port 8080 ainsi que le serveur de modèle sur le port 8800, et il s'exécute dans un environnement isolé — ce qui signifie qu'il peut réinstaller SimulInfer ou modifier les versions des dépendances si vous le pointez vers une pile existante. Tencent documente un parcours étape par étape précisément pour cette raison.

Ce qu’il faut pour servir, et ce que la version ne comprend pas

La sortie vocale et le clonage de voix ne sont pas des propriétés du checkpoint. Le modèle produit du texte. Transformer ce texte en parole avec la voix du locuteur nécessite un service TTS configuré séparément, et chaque élément de cette phrase a un coût : un service de plus à exploiter, un saut réseau supplémentaire dans le budget de latence, des conditions d’un autre fournisseur à examiner, et un point de défaillance de plus entre le microphone et l’auditeur. La fiche modèle est claire à ce sujet, et c’est le plus grand écart entre la démo et un interprète déployable.

Il n'y a pas non plus d'API hébergée ni de prix publié. L'offre grand public de Tencent est l'application Hy Translate, qui propose une offre gratuite sur Android et iOS — le moyen le moins cher d'entendre ce que fait le modèle, et inutile comme dépendance de production. Pour tout le reste, vous l'hébergez vous-même, ce qui signifie que le coût, c'est l'accélérateur, le temps d'exploitation et la facture TTS, et non un tarif par token que vous pouvez mettre dans un tableur.

La couverture linguistique mérite le même examen minutieux. La documentation textuelle décrit le chinois et l’anglais bidirectionnels. Les métadonnées Hugging Face étiquettent le checkpoint avec 36 langues. Aucune liste des 34 autres n’est publiée, et les exemples du dépôt lui-même sont tous en-zh ou zh-en. Considérez l’étiquette comme des métadonnées héritées jusqu’à ce que Tencent documente le contraire, et ne planifiez pas un déploiement en 36 langues sur la seule foi d’une étiquette.

Les affirmations qui nécessitent une deuxième source

La comparaison avec des interprètes humains est l’affirmation la plus citée de cette version et la moins étayée. Tencent rapporte une qualité « équivalente à celle d’interprètes simultanés humains experts, tout en répondant souvent plus rapidement », sur la base de 18 enregistrements nouvellement collectés d’environ six minutes chacun, issus de dix domaines, évalués par six interprètes expérimentés — trois titulaires du CATTI niveau 1 et trois du niveau 2. Pour chaque niveau, le meilleur score parmi les trois interprètes a été utilisé.

Ce dernier détail joue un rôle considérable. Prendre le meilleur de trois essais face à une seule exécution du modèle est une construction généreuse, et la fiche ne publie ni intervalles de confiance ni ventilation par domaine. Elle ne publie pas non plus de score objectif de similarité des locuteurs pour le clonage vocal, qui est la fonction la plus susceptible de déterminer si un déploiement est jugé acceptable par les personnes présentes dans la salle. La limitation reconnue par la fiche — à savoir que le résultat est limité par ses échantillons, ses participants et ses paramètres, et qu’il ne constitue pas une évaluation exhaustive — est la bonne lecture. L’audio médical, juridique et conversationnel bruité est précisément le cas où une comparaison avec des interprètes aurait besoin de chiffres par domaine, et ce sont ces chiffres qui manquent.

Les interprètes professionnels restent le bon choix dès qu’il y a une responsabilité, une révision par un expert ou une décision à fort enjeu. C’est la présentation de Tencent, et non celle d’un critique, et il vaut la peine de le répéter, car la version en titre de cette annonce ne l’a pas fait.

Si vous l’hébergez vous-même, mettez quelque chose derrière.

Aucun des deux checkpoints ne figure au catalogue d’OrcaRouter, nous ne sommes donc une route vers ni l’un ni l’autre, et cet article ne prétendra pas le contraire. Cela ne rend pas un routeur inutile pour un interpréteur auto-hébergé — cela déplace le routeur vers la périphérie. Un chemin de traduction en direct est une longue chaîne : capture audio, serveur de modèle, service TTS optionnel et client. Chaque maillon peut se bloquer, et un blocage en réunion est pire qu’une traduction légèrement moins bonne. Placer un modèle textuel hébergé derrière le même point de terminaison comme solution de repli pour le chemin de transcription — pas pour le chemin audio — signifie qu’un serveur de modèle hors service se traduit par une transcription lisible plutôt que par du silence.

OrcaRouter est une seule API devant plus de 200 modèles hébergés, sans marge, le prix catalogue du fournisseur répercuté sans rien ajouter, et le DSL de routage est le moyen d’exprimer une règle de repli sans une seconde intégration. Le basculement automatique est le point qui compte ici : la règle se déclenche sur une défaillance en amont, et non parce qu’un humain remarque que les sous-titres se sont arrêtés.

Quel fichier, alors ?

La mise en opposition se dissipe dès que l’on sait à quoi les noms font référence, et il ne reste plus qu’une décision de packaging avec trois réponses honnêtes.

Si vous développez un produit vocal — interprétation de réunions, surcouche de centre d’appels, tout ce dont la sortie est audio — optez pour Hy-SimulMT-30B-A3B, ou sa version FP8 si une seule carte de 80 Go est la contrainte. Vous n’avez pas besoin de la transcription, vous ne voulez pas payer pour la générer, et le checkpoint de base est la voie la plus propre en matière de latence.

Si un humain doit lire la sortie, prenez Hy-SimulMT-30B-A3B-Interleave. Les sous-titres, les comptes rendus bilingues, les workflows de capture et de révision de conformité ont tous besoin du texte source, et utiliser un moteur de reconnaissance distinct en parallèle du traducteur, c’est ainsi qu’on finit par obtenir deux transcriptions qui ne s’accordent pas sur l’endroit où la phrase se terminait.

Si vous évaluez plutôt que de déployer, prenez Hy-SimulMT-30B-A3B-Interleave-GGUF en Q4_K_M, acceptez le fichier de 19,7 Go et la dépendance llama.cpp non fusionnée, et considérez-le comme un moyen d’entendre le modèle sur du matériel que vous possédez déjà. Ne passez au chemin FP8 vLLM qu’une fois que vous aurez décidé que la qualité justifie la carte.

La question ouverte n’est pas de savoir quel fichier est meilleur. C’est de savoir si les scores publiés décrivent le fichier que vous avez choisi. Tencent dispose du matériel nécessaire pour répondre à cette question en une journée, et tant que ce ne sera pas fait, quiconque cite 90,3 ou 84,7 devrait préciser lequel des six checkpoints il estime avoir produit ce score.