Tencent Membangun Penerjemah 3 Detik dan Merilisnya Tanpa Siaran Pers

Pada 22 Oktober 2026, enam repositori dalam keluarga model baru muncul di bawah organisasi tencent di Hugging Face. Yang menjadi bahasan artikel ini adalah Hy-SimulMT-30B-A3B-Interleave, varian yang mengeluarkan baik teks sumber yang dikenali maupun terjemahannya; saudara kandungnya Hy-SimulMT-30B-A3B hanya mengeluarkan terjemahannya. Keduanya berlisensi Apache-2.0, keduanya memiliki 30,4 miliar parameter, dan keduanya dibuat untuk tugas yang tidak dapat dilakukan oleh rilis penerjemahan Tencent sebelumnya: mendengarkan ucapan bahasa Mandarin atau Inggris saat diucapkan dan menghasilkan bahasa lainnya selagi kalimatnya masih berlangsung. Empat hari kemudian, repositori utama menunjukkan nol unduhan dan dua suka. Tidak ada pos blog Hunyuan, tidak ada siaran pers, tidak ada makalah arXiv, dan tidak ada satu baris pun dalam liputan berbahasa Mandarin tentang bisnis penerjemahan Tencent yang berlangsung sepanjang bulan itu. Satu-satunya pengumuman adalah satu butir bertanggal di bagian News pada kartu model, yang ditambahkan pada 26 Oktober, yang berbunyi: dirilis.

Kesenjangan antara apa yang dilakukan bobot-bobot itu dan seberapa ramai publikasinya adalah inti ceritanya. Juru bahasa simultan dengan jeda sekitar tiga detik, yang dapat diunduh dengan lisensi permisif, bukanlah rilis rutin — ini adalah komponen yang mengubah aplikasi penerjemahan dari sesuatu yang Anda gunakan secara bergiliran menjadi sesuatu yang bisa Anda kenakan di rapat. Penjelasan paling mungkin atas diamnya adalah kalender: Tencent menjadi mitra strategis Pertemuan Pemimpin Ekonomi APEC ke-33 di Shenzhen pada 23 Oktober, sehari setelah bobot-bobot itu diunggah, dan aplikasi Hy Translate-nya dinobatkan sebagai alat penerjemahan AI resmi bagi para relawan dan staf yang bekerja di acara tersebut, yang berlangsung 18–19 November. Itu adalah inferensi dari tanggal-tanggal publik, bukan sesuatu yang telah dikatakan Tencent. Bagian berikut memisahkan apa yang dibuktikan repositori dari apa yang hanya disiratkannya.

Apa yang sebenarnya ada di dalam repositori

Arsitekturnya adalah model bahasa kausal speech-in, text-out yang ditandai hy_v3 dan diinstansiasi sebagai HYV3SpeechForCausalLM. Konfigurasinya merinci tumpukan sparse mixture-of-experts: 48 lapisan, ukuran tersembunyi 2.048, 128 pakar dengan dimensi tersembunyi pakar 768, delapan pakar routed plus satu pakar shared per token, dan satu lapisan dense di bagian depan. Indeks safetensors menghitung 30.394.788.480 parameter dalam BF16, dengan 6.016 lainnya disimpan dalam F32. Tencent tidak pernah menjabarkan "A3B" dalam namanya, tetapi aritmetikanya konsisten dengan itu: delapan pakar routed plus satu shared, pada lebar pakar tersebut, menghasilkan kira-kira 3 miliar parameter aktif per token. Itu perhitungan kami dari konfigurasi yang dipublikasikan, bukan angka dari vendor.

Front end audio berada dalam file konfigurasi yang sama, bukan disembunyikan di balik pipeline: 128 bin mel, encoder 24 lapis dengan lebar 1.024 yang memproyeksikan ke 2.048, sampling 16 kHz, dan maksimum 480.000 sampel — tiga puluh detik — per jendela input. Generasi default ke temperature 0,0 dengan max_new_tokens 64, sesuai dengan yang Anda harapkan dari model yang dirancang untuk mengeluarkan rentang teks terjemahan singkat lalu menunggu audio berikutnya. Maximum position embeddings tercantum sebagai 262.144; kartu model tidak memublikasikan panjang konteks yang dapat digunakan, dan untuk audio streaming angka itu jauh lebih tidak bermakna dibandingkan jendela tiga puluh detik.

Enam checkpoint dirilis sekaligus: base dan Interleave, masing-masing dengan build FP8 dan build GGUF. File lisensi adalah Apache-2.0 dengan pengecualian lazim bahwa komponen pihak ketiga yang dibundel tetap memakai ketentuan masing-masing. Kartu model mencantumkan dua belas kontributor, menautkan repositori GitHub yang berisi layanan inferensi bernama SimulInfer dan toolkit pelatihan bernama SimulTrain, serta mengutip halaman produk Tencent alih-alih makalah.

Angka latensi, dan baris benchmark yang melemahkan judul utama

Klaim yang penting bagi model simultan bukanlah kualitas terjemahan secara terpisah — melainkan kualitas pada lag tertentu. Tencent mengevaluasi hal ini pada audio panjang RealSI dan melaporkan StreamLAAL sekitar tiga detik, yang disebut sebagai yang terendah di antara sistem yang dibandingkan, dengan skor GEMBA di atas model open-source dalam perbandingan tersebut dan empat dari lima API komersial. StreamLAAL mengukur rata-rata lag antara token sumber dan target dalam pengaturan streaming; ini bukan time-to-first-audio, dan kartu tersebut menyatakannya secara eksplisit. Kartu itu juga tidak menyebutkan API komersial kelima yang mengalahkannya pada GEMBA.

Tabel bentuk pendek lebih informatif karena kurang menyanjung pada satu kolom. Pada empat tolok ukur publik, Tencent melaporkan Hy-SimulMT sebesar 90,3 pada FLEURS, 75,5 pada CoVoST2, 81,2 pada ACL6060, dan 84,7 pada RealSI-Sentence. Sebagai pembanding, Qwen3.8-LiveTranslate mencatat 88,4, 82,1, 80,5, dan 84,4; Gemini3.5-LiveTranslate mencatat 92,4, 74,4, 82,6, dan 82,2; Seed-LiveInterpret2.0 mencatat 85,8, 67,7, 74,8, dan 80,0. Bacalah kolom-kolomnya, bukan ringkasannya: Hy-SimulMT menang pada FLEURS, ACL6060, dan RealSI-Sentence di antara sistem terbuka, kalah pada CoVoST2 dari Qwen dengan selisih 6,6 poin, dan kalah pada FLEURS dari Gemini dengan selisih 2,1. Kalimat pada kartu itu sendiri — lebih tinggi daripada model open-source lain pada FLEURS, ACL6060, dan RealSI-Sentence — cakupannya dibatasi dengan cermat, dan tolok ukur yang hilang justru tolok ukur dengan performa terburuknya. Setiap angka dalam tabel itu dihasilkan oleh Tencent. Belum ada laboratorium independen yang menjalankan model ini.

Perbandingan dengan manusia layak dicermati lebih dekat daripada yang tersirat di judulnya.

Tencent juga menugaskan perbandingan yang setara dengan juru bahasa profesional: delapan belas rekaman berbahasa Mandarin dan Inggris yang diterbitkan daring mulai September 2026, masing-masing berdurasi sekitar enam menit, mencakup sepuluh bidang dari perangkat lunak dan kedokteran hingga hukum dan pertanian, ditafsirkan oleh enam profesional—tiga pemegang sertifikat CATTI Level 1 dan tiga pemegang Level 2. Untuk setiap tingkat sertifikasi, juru bahasa terbaik dari ketiga juru bahasa digunakan sebagai titik pembanding. Kesimpulannya, model ini mencapai kualitas yang setara dengan juru bahasa simultan manusia ahli sekaligus sering merespons lebih cepat.

Itu adalah hasil yang mencolok, dan sekaligus hasil yang kecil, yang dinyatakan kartu secara gamblang dalam catatan kaki: temuan tersebut hanya berlaku untuk sampel itu, juru bahasa itu, dan lingkungan itu, serta bukan merupakan penilaian atas kualitas bicara atau kemiripan suara. Ada dua detail metodologis yang perlu diingat. Menggunakan juru bahasa dengan skor tertinggi di setiap tingkat menetapkan standar yang menuntut untuk kualitas, tetapi standar yang tidak merata untuk latensi, karena pembandingnya adalah seorang manusia, bukan juru bahasa profesional median. Dan uji tersebut mengukur penyampaian informasi dan waktu, bukan hal yang paling pertama diperhatikan sebagian besar pendengar pada ucapan mesin, yaitu apakah suaranya terdengar seperti manusia.

Apa yang tidak dijawab oleh repositori

Beberapa pertanyaan yang pertama-tama akan diajukan pembeli belum memiliki jawaban yang dipublikasikan. Tidak ada API yang di-hosting dan tidak ada harga: berbeda dengan keluarga Hy-MT2, yang dicantumkan Tencent di Tencent Cloud dengan tarif per token yang dipublikasikan, Hy-SimulMT hanya berupa bobot plus aplikasi seluler, dan panel penyedia inferensi Hugging Face mencantumkannya sebagai tidak digunakan oleh penyedia mana pun. Tidak ada laporan teknis dan tidak ada tolok ukur di luar evaluasi Tencent sendiri. Kartu model menyatakan bahwa keluaran suara dan kloning suara memerlukan layanan TTS yang dikonfigurasi, sehingga kerangka "speech-to-speech" menggambarkan sistem yang dirakit di sekitar model, bukan satu checkpoint yang mengeluarkan audio. Dukungan llama.cpp secara eksplisit belum digabungkan ke upstream — kartu merekomendasikan menunggu rilis yang mendukung model tersebut, meskipun build GGUF telah dipublikasikan, dan variabel lingkungan contoh merujuk ke checkpoint bernama hymt-A3b-tgt_only-1019-Q8_0.gguf, nama artefak yang tidak cocok dengan ID model publik.

Metadata bahasa adalah bagian yang paling membingungkan. Repositori menandai 36 bahasa, dari bahasa Tionghoa dan Inggris hingga Prancis, Arab, Khmer, Tibet, Kazakh, dan Uyghur. Bagian prosa mendokumentasikan terjemahan ucapan dua arah hanya antara bahasa Tionghoa dan Inggris. Kedua pernyataan itu bisa sama-sama benar jika bahasa tambahan tersebut termasuk dalam tulang punggung teks yang diwarisi dari Hy-MT2, bukan jalur ucapan, tetapi kartu model tidak menyatakan demikian, dan siapa pun yang merencanakan penerapan bahasa Jepang atau Arab harus menganggapnya belum terkonfirmasi sampai Tencent mendokumentasikannya.

Menjalankannya sendiri, dan berapa biaya perangkat kerasnya

Jalur yang didokumentasikan adalah vLLM 0.31 atau lebih baru dengan dukungan HYV3ForCausalLM, ditambah paket simulst. Satu perintah menyediakan lingkungan dan menjalankan server model serta front end web/API pada port 8800 dan 8080 secara berurutan; front end menerima unggahan audio, mikrofon, atau aliran WebSocket, dan menulis audio terjemahan ke disk saat TTS dikonfigurasi. Ada juga jembatan llama.cpp yang menjalankan lapisan web pada port 8094 terhadap server llama.cpp yang sudah ada pada 8080, dengan sakelar MODEL_TYPE untuk checkpoint terjemahan saja versus sumber-plus-terjemahan. Memori adalah batasan praktis: 30,4 miliar parameter dalam BF16 kira-kira 61 GB bobot sebelum KV cache dan aktivasi, jadi satu akselerator 80 GB adalah batas bawah yang realistis dan build FP8-lah yang membuat kartu yang lebih kecil masuk akal. Itu adalah angka kami dari jumlah parameter, bukan spesifikasi minimum Tencent, yang tidak dicantumkan oleh kartu tersebut.

Bagi tim yang pipeline rapatnya melakukan lebih dari sekadar menerjemahkan — merangkum transkrip, mengekstrak item tindakan, menyusun tindak lanjut — penerjemah lisan adalah satu tahap di antara beberapa, dan tahap-tahap berikutnya adalah panggilan API biasa ke vendor mana pun yang kebetulan terbaik bulan itu. Itulah lapisan yang dicakup OrcaRouter: satu API untuk 200+ model dengan harga daftar penyedia diteruskan pada markup 0%, failover otomatis saat penyedia mengalami gangguan, dan DSL perutean untuk menyusun tahapan. Hy-SimulMT sendiri tidak ada di katalog kami dan kami tidak menghostingnya; intinya adalah pekerjaan di sekitarnya tidak memerlukan kontrak terpisah per vendor.

Apa yang akan mengubah penilaian ini?

Tiga hal layak diperhatikan, menurut seberapa jauh masing-masing bisa menjawab ketidakpastian. Evaluasi independen — sirkuit IWSLT menerbitkan angka StreamLAAL untuk sistem terbuka setiap tahun, dan pengajuan yang menggunakan bobot ini akan menjadi angka pertama yang tidak dihasilkan oleh pemilik model. Endpoint yang dihosting dengan tarif, yang akan memberi tahu Anda apakah Tencent bermaksud menjadikannya infrastruktur atau fitur aplikasinya sendiri. Dan penggabungan ke llama.cpp, yang menentukan apakah build GGUF merupakan opsi lokal yang nyata atau sekadar placeholder. Sampai saat itu, ringkasan jujurnya adalah bahwa Tencent telah menerbitkan penerjemah ucapan simultan terbuka paling mumpuni yang pernah kami lihat, dengan angka dari vendor yang kuat, lisensi yang permisif, dan tanpa konfirmasi eksternal atas semua itu — dan bahwa waktunya, sehari sebelum pengumuman kemitraan APEC, menunjukkan bahwa konfirmasi yang Tencent pedulikan adalah seorang relawan di Shenzhen yang memegang ponsel, bukan papan peringkat benchmark.