Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: Penerjemah Langsung versus Folder Berisi Para Spesialis

Bayangkan pembicaraan konferensi yang sama ditangani dengan dua cara. Pada cara pertama, mikrofon memberi masukan ke pengenal ucapan otomatis, kalimat yang dikenali diteruskan ke model penerjemahan, terjemahannya diteruskan ke sintesis ucapan, dan pendengar mendengar bahasa Inggris beberapa detik setelah pembicara mengatakan bahasa Mandarin — dengan setiap nama, angka, dan akronim telah bertahan melewati tiga kesempatan terpisah untuk dirusak. Pada cara kedua, satu model mendengarkan audio dan menghasilkan terjemahan seiring kalimat itu terungkap. Hy-SimulMT-30B-A3B, dirilis sebagai bobot oleh Tencent pada 22 Oktober 2026, dibangun untuk cara kedua. Helsinki-NLP OPUS-MT adalah sistem penerjemahan terbuka yang paling luas digunakan di dunia dan dibangun untuk versi yang lebih sempit dari cara pertama: sistem ini menerjemahkan teks, satu kalimat setiap kali, satu arah bahasa per checkpoint, dan telah diunduh ratusan ribu kali karena menjalankan tugas itu di CPU secara gratis.

Keduanya bukan pesaing dalam pengertian biasa. Yang satu adalah model ucapan dengan 30,4 miliar parameter yang membutuhkan akselerator; yang lain adalah kumpulan lebih dari seribu checkpoint bilingual yang masing-masing berukuran sekitar 70–80 juta parameter, sebagian besar sekitar 300 MB, dan berjalan dengan nyaman di laptop. Perbandingan yang berguna bukanlah mana yang menerjemahkan lebih baik. Melainkan di mana batas antara komponen terjemahan dan sistem terjemahan berada, dan seberapa besar dari batas itu yang ingin Anda miliki sendiri.

Apa sebenarnya masing-masing itu

OPUS-MT dipelihara oleh kelompok NLP Universitas Helsinki dan dibangun di atas arsitektur encoder-decoder MarianMT. Ini bukan sebuah model melainkan katalog: checkpoint terpisah untuk Tionghoa-ke-Inggris, Inggris-ke-Tionghoa, Inggris-ke-Jerman, dan beberapa ratus arah lainnya, masing-masing dilatih pada korpus paralel dari koleksi OPUS, masing-masing dapat diunduh secara terpisah. Checkpoint Tionghoa-Inggris saja telah diunduh hampir setengah juta kali; arah sebaliknya sekitar 73.000 kali. Ada varian multibahasa yang menggabungkan banyak bahasa sumber ke dalam satu model target bahasa Inggris, tetapi kasus umumnya adalah spesialis sempit yang mengetahui tepat satu tugas.

Arsitektur ini menjelaskan keunggulannya sekaligus batas atasnya. Sebuah encoder-decoder 77 juta parameter yang dilatih hanya pada teks paralel tidak punya ruang untuk pengetahuan dunia, tidak memiliki antarmuka instruksi, dan tidak memiliki mekanisme untuk streaming. Beri ia satu kalimat, ia mengembalikan satu kalimat. Beri ia satu paragraf, ia menerjemahkan paragraf itu sebagai rangkaian kalimat tanpa konteks bersama, dan catatan rekayasa yang diterbitkan melaporkan kecenderungan diam-diam membuang konten pada input panjang. Ia tidak dapat diminta untuk mempertahankan istilah glosarium, mempertahankan kunci JSON, atau menyesuaikan dengan ragam formal — Anda menangani hal-hal itu dengan prapemrosesan dan pascasunting, atau dengan constrained decoding jika Anda siap membangunnya.

Hy-SimulMT-30B-A3B adalah jenis objek yang berbeda. Konfigurasinya mendeskripsikan model sparse mixture-of-experts 48 lapis dengan 128 expert, delapan routed ditambah satu shared per token, serta encoder audio 24 lapis yang menyuplai backbone selebar 2.048. Bagian "A3B" pada nama tidak dijabarkan dalam card, tetapi aritmetika konfigurasi menghasilkan sekitar 3 miliar parameter aktif dibandingkan 30,4 miliar total. Model ini menerima audio 16 kHz dalam jendela tiga puluh detik dan menghasilkan teks terjemahan; varian Interleave juga mengeluarkan transkripsi sumber. Text-to-speech dan cloning suara ditangani oleh layanan terpisah yang dihubungkan oleh toolkit deployment, yang berarti produk "speech-to-speech" merupakan rakitan, bukan satu file tunggal.

Argumen latensi sebenarnya adalah argumen perambatan galat.

Latensi adalah perbedaan yang jelas dan yang paling tidak menarik. Kaskade dapat disetel agar cepat; ASR streaming yang baik dengan hipotesis parsial ditambah model MT kecil dapat menghasilkan aliran subtitel yang layak jauh di bawah satu detik di belakang pembicara. Alasan model simultan ada adalah bahwa kecepatan dalam kaskade dibeli dengan memberikan lebih sedikit konteks pada setiap tahap, dan setiap tahap kemudian membuat kesalahan yang tidak dapat dilihat tahap berikutnya. Pengenal salah mendengar nama diri, penerjemah tidak punya cara untuk mengetahui bahwa itu adalah nama, dan sintesiser melafalkan kesalahan itu dengan percaya diri. Pendengar tidak punya cara untuk mengetahui tahap mana yang gagal.

Sebuah model tunggal yang dilatih secara end-to-end pada keseluruhan tugas pada prinsipnya dapat menunda keputusan sampai audio menyelesaikan ambiguitas, dan model itu dapat mempertahankan suara pembicara jika pengklonan suara diaktifkan. Klaim Tencent justru menyangkut pertukaran ini: StreamLAAL sekitar tiga detik pada audio RealSI berdurasi panjang, yang disebut sebagai yang terendah di antara sistem yang dibandingkan, dengan skor kualitas GEMBA di atas model sumber terbuka dalam tabelnya dan empat dari lima API komersial. Apakah tiga detik itu baik sepenuhnya bergantung pada konteks — tiga detik terasa lama dalam negosiasi dan singkat dalam kuliah — tetapi angka itu diukur pada tugas streaming, yakni tugas yang tidak dapat dicoba OPUS-MT tanpa kaskade yang dibangun di sekitarnya.

Cakupan, dihitung dengan jujur

Di sinilah folder itu menang, secara meyakinkan, dan inilah bagian yang paling dikaburkan oleh sebagian besar perbandingan. Ribuan lebih checkpoint OPUS-MT mencakup sekitar seratus bahasa dalam berbagai arah, termasuk pasangan sumber daya rendah yang belum pernah dilihat model multibahasa besar mana pun. Hy-SimulMT mendokumentasikan terjemahan ucapan dua arah antara bahasa Tionghoa dan Inggris. Metadata repositori memberi tag 36 bahasa — Prancis, Arab, Khmer, Tibet, Kazakh, dan Uyghur di antaranya — tetapi prosanya hanya menjelaskan pasangan Tionghoa-Inggris, dan tidak ada apa pun di kartu tersebut yang menjelaskan ketidaksesuaian itu. Bacaan yang paling mungkin adalah bahwa tag tersebut menggambarkan tulang punggung teks yang diwarisi dari keluarga Hy-MT2 milik Tencent, bukan kemampuan ucapannya, tetapi itu adalah interpretasi, bukan fakta yang dipublikasikan.

Jadi garis cakupan yang jujur adalah: tiga puluh enam bahasa diklaim dalam metadata, dua bahasa didokumentasikan untuk ucapan, dibandingkan dengan katalog sekitar seratusan bahasa dalam teks. Jika kebutuhan Anda adalah Mandarin ke Inggris dalam rapat langsung, Hy-SimulMT ditujukan tepat untuk Anda. Jika kebutuhan Anda adalah Polandia ke Finlandia pada dokumen statis, OPUS-MT memiliki checkpoint untuk itu dan Hy-SimulMT tidak.

Bukti kualitas: satu pihak memiliki angka independen, pihak lain memiliki tabel vendor

Bukti independen berpihak pada OPUS-MT, pada pertanyaan sempit tentang kualitas terjemahan teks. Sebuah studi terbit tentang terjemahan bahasa Ladin Fassa mengukur model OPUS-MT pada 55,61 BLEU untuk Italia-ke-Inggris dibandingkan 52,93 untuk NLLB-200 dan 44,18 untuk M2M-100, serta 44,35 untuk Inggris-ke-Italia dibandingkan 40,13 dan 32,40. Pelajaran dari studi itu adalah bahwa model yang dilatih secara eksklusif pada satu arah tetap dapat mengalahkan sistem multibahasa yang jauh lebih besar pada arah tersebut. Studi itu tidak menyatakan apa pun tentang ujaran, dan tidak melibatkan Hy-SimulMT, karena belum ada laboratorium independen yang mengevaluasi Hy-SimulMT sama sekali.

Di sisi lain, Tencent melaporkan 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060, dan 84,7 RealSI-Sentence untuk Hy-SimulMT, semuanya dari evaluasi mereka sendiri. Itu adalah tolok ukur terjemahan ucapan, sehingga tidak sebanding dengan angka BLEU di atas, dan tidak memiliki konfirmasi pihak ketiga. Satu sinyal internal yang layak dicatat adalah bahwa model ini kalah pada CoVoST2 dari Qwen3.8-LiveTranslate dengan selisih 6,6 poin, tetapi memenangkan tiga kolom lainnya di antara sistem terbuka — sebuah pengingat bahwa satu angka saja akan menyembunyikan kelemahan nyata.

Biaya dan deployment, berdampingan

• Parameter — Hy-SimulMT-30B-A3B: total 30,4B, sekitar 3B aktif, MoE sparse; Helsinki-NLP OPUS-MT: sekitar 70–80M per checkpoint, dense.

• Kebutuhan memori — Hy-SimulMT: sekitar 61 GB bobot BF16 sebelum KV cache, sehingga akselerator 80 GB adalah batas minimum praktis; build FP8 telah dipublikasikan. OPUS-MT: sekitar 300 MB per checkpoint, dapat dijalankan di CPU.

• Model latensi — Hy-SimulMT: streaming, sekitar 3 dtk StreamLAAL pada audio berdurasi panjang. OPUS-MT: satu kalimat setiap kali; streaming memerlukan ASR dan kebijakan segmentasi yang Anda buat.

• Bahasa — Hy-SimulMT: bahasa Mandarin dan Inggris didokumentasikan untuk ucapan, 36 ditandai dalam metadata. OPUS-MT: sekitar seratus bahasa di lebih dari seribu checkpoint terarah.

• Lisensi — Hy-SimulMT: Apache-2.0 untuk bobot dan kode Tencent, dengan komponen pihak ketiga di bawah ketentuan masing-masing. OPUS-MT: bergantung pada checkpoint dan tidak seragam — model Tionghoa-ke-Inggris adalah CC-BY-4.0, model Inggris-ke-Tionghoa adalah Apache-2.0, Inggris-ke-Jerman adalah CC-BY-4.0. Periksa kartu spesifik sebelum peluncuran.

• API Dihosting — Hy-SimulMT: tidak ada yang dipublikasikan. OPUS-MT: tidak ada; hanya bobot.

Pasangan terakhir itu penting untuk pengadaan. Tidak satu pun model tersebut ada dalam katalog OrcaRouter dan kami tidak menghosting salah satunya — Anda menghosting sendiri bobotnya atau menggunakan saluran milik vendor. Perutean memang berguna di bagian lain pipeline: perangkum transkrip, pemeriksa glosarium, pasca-editor, dan asisten obrolan yang berada di sekitar tahap terjemahan adalah panggilan model biasa, dan menjalankannya melalui satu API untuk 200+ model dengan markup 0% di atas harga daftar penyedia menghindari kontrak terpisah per vendor. Terjemahan jarang menjadi satu-satunya hal yang dilakukan produk rapat.

Yang mana yang cocok untuk stack Anda?

Pilih OPUS-MT ketika masukannya sudah berupa teks, arah terjemahan tetap, volumenya tinggi, dan anggarannya nol. Pipeline dokumen hukum, file subtitle, katalog e-commerce, dan terjemahan browser offline semuanya masih lebih baik dilayani oleh spesialis 300 MB daripada model 30 miliar parameter, dan lisensi per checkpoint adalah satu-satunya hal yang perlu Anda audit. Pilih Hy-SimulMT ketika masukannya audio dan pendengar menunggu: rapat langsung, kuliah, wawancara, interpretasi siaran, setiap situasi di mana jeda tiga detik dan suara yang dipertahankan sepadan dengan akselerator dan layanan TTS.

Kesalahan yang harus dihindari adalah menganggap ini sebagai kontes kualitas. OPUS-MT tidak kalah dari Hy-SimulMT dalam terjemahan teks; ia kalah pada tugas yang memang tidak dirancang untuknya. Dan Hy-SimulMT tidak menggantikan seribu model bilingual yang cermat dengan satu model pintar — ia menggantikan rangkaian bertingkat yang jika tidak, harus Anda rakit, setel, dan awakutu sendiri. Itu adalah dua pembelian yang berbeda, dan hanya salah satunya yang datang dalam sebuah folder.