Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: un interprete in tempo reale contro una cartella di specialisti

Immagina lo stesso intervento a una conferenza gestito in due modi. Nel primo, un microfono alimenta un riconoscitore automatico del parlato, la frase riconosciuta passa a un modello di traduzione, la traduzione passa a un sintetizzatore vocale e l’ascoltatore sente l’inglese pochi secondi dopo che l’oratore ha detto il mandarino — con ogni nome, numero e acronimo sopravvissuto a tre distinte possibilità di essere storpiato. Nel secondo, un unico modello ascolta l’audio ed emette la traduzione man mano che la frase si dipana. Hy-SimulMT-30B-A3B, rilasciato come pesi da Tencent il 22 ottobre 2026, è progettato per il secondo. Helsinki-NLP OPUS-MT è il sistema di traduzione aperto più diffuso al mondo ed è progettato per una versione più limitata del primo: traduce testo, una frase alla volta, una direzione linguistica per checkpoint, ed è stato scaricato centinaia di migliaia di volte perché svolge quel compito su una CPU gratuitamente.

Questi due non sono rivali nel senso comune. Uno è un modello vocale da 30,4 miliardi di parametri che richiede un acceleratore; l'altro è una raccolta di oltre mille checkpoint bilingui da circa 70–80 milioni di parametri ciascuno, la maggior parte dei quali intorno ai 300 MB, che girano comodamente su un laptop. Il confronto utile non è quale dei due traduca meglio. È dove si colloca il confine tra un componente di traduzione e un sistema di traduzione, e quanto di quel confine vuoi possedere.

Che cosa ciascuno è in realtà

OPUS-MT è mantenuto dal gruppo NLP dell'Università di Helsinki ed è basato sull'architettura encoder-decoder MarianMT. Non è un modello ma un catalogo: checkpoint separati per cinese-inglese, inglese-cinese, inglese-tedesco e diverse centinaia di altre direzioni, ciascuno addestrato su corpora paralleli della collezione OPUS, ciascuno scaricabile singolarmente. Il solo checkpoint cinese-inglese è stato scaricato quasi mezzo milione di volte; la direzione inversa ha registrato circa 73.000 download. Esistono varianti multilingue che fanno confluire molte lingue di partenza in un unico modello con target inglese, ma il caso più comune è uno specialista ristretto che conosce esattamente un solo compito.

L'architettura spiega sia il suo pregio sia il suo limite. Un encoder-decoder da 77 milioni di parametri addestrato solo su testo parallelo non ha spazio per la conoscenza del mondo, nessuna interfaccia per le istruzioni e nessun meccanismo per lo streaming. Gli si dà una frase e restituisce una frase. Gli si dà un paragrafo e traduce il paragrafo come una sequenza di frasi senza contesto condiviso, e note tecniche pubblicate riportano una tendenza a perdere silenziosamente contenuti su input lunghi. Non le si può chiedere di mantenere un termine di glossario, preservare una chiave JSON o adottare un registro formale: questi aspetti si gestiscono con pre-elaborazione e post-editing, oppure con decodifica vincolata se si è disposti a implementarla.

Hy-SimulMT-30B-A3B è una specie diversa di oggetto. La sua configurazione descrive un modello sparse mixture-of-experts a 48 livelli con 128 esperti, otto instradati più uno condiviso per token, e un encoder audio a 24 livelli che alimenta un backbone ampio 2.048. L'"A3B" nel nome non viene espanso nella card, ma l'aritmetica della configurazione arriva a circa 3 miliardi di parametri attivi rispetto a 30,4 miliardi totali. Accetta audio a 16 kHz in finestre di trenta secondi e produce testo tradotto; la variante Interleave emette anche la trascrizione di origine. La sintesi vocale e il clonaggio vocale sono gestiti da un servizio separato a cui si connette il toolkit di deployment, il che significa che il prodotto "speech-to-speech" è un assemblaggio, non un singolo file.

L'argomento della latenza è in realtà un argomento di propagazione dell'errore

La latenza è la differenza ovvia e la meno interessante. Una cascata può essere ottimizzata per essere veloce; un buon ASR in streaming con ipotesi parziali più un piccolo modello di MT può produrre un flusso di sottotitoli utilizzabile ben sotto il secondo di ritardo rispetto a chi parla. Il motivo per cui esistono i modelli simultanei è che la velocità in una cascata si paga dando a ogni stadio meno contesto, e ogni stadio commette poi errori che lo stadio successivo non può vedere. Il riconoscitore sente male un nome proprio, il traduttore non ha modo di sapere che era un nome, e il sintetizzatore pronuncia l'errore con sicurezza. L'ascoltatore non ha modo di capire quale stadio abbia fallito.

Un singolo modello addestrato end-to-end sull'intera attività può, in linea di principio, rinviare una decisione finché l'audio non risolve l'ambiguità, e può preservare la voce del parlante se è abilitata la clonazione vocale. L'affermazione di Tencent riguarda proprio questo compromesso: uno StreamLAAL di circa tre secondi su audio RealSI a formato lungo, descritto come il più basso tra i sistemi confrontati, con un punteggio di qualità GEMBA superiore ai modelli open-source nella sua tabella e a quattro delle cinque API commerciali. Se tre secondi siano un buon risultato dipende interamente dal contesto — è un tempo lungo in una negoziazione e un tempo breve in una lezione — ma viene misurato sull'attività di streaming, che è l'attività che OPUS-MT non può affrontare senza una cascata costruita attorno ad esso.

Copertura, calcolata onestamente

È qui che il folder vince, in modo decisivo, ed è la parte che la maggior parte dei confronti offusca. Oltre mille checkpoint di OPUS-MT coprono circa un centinaio di lingue in varie direzioni, comprese coppie a basse risorse che nessun grande modello multilingue ha mai visto. Hy-SimulMT documenta la traduzione vocale bidirezionale tra cinese e inglese. I metadati del repository taggano 36 lingue — tra cui francese, arabo, khmer, tibetano, kazako e uiguro — ma il testo descrive solo la coppia cinese-inglese, e nulla nella scheda spiega la discrepanza. L'interpretazione più probabile è che i tag descrivano il backbone testuale ereditato dalla famiglia Hy-MT2 di Tencent anziché la capacità vocale, ma si tratta di un'interpretazione, non di un fatto pubblicato.

Quindi la linea di copertura onesta è: trentasei lingue dichiarate nei metadati, due lingue documentate per il parlato, rispetto a un catalogo di un centinaio abbondante di lingue nel testo. Se la vostra esigenza è passare dal mandarino all’inglese in una riunione dal vivo, Hy-SimulMT è pensato esattamente per voi. Se la vostra esigenza è passare dal polacco al finlandese su un documento statico, OPUS-MT ha un checkpoint per farlo e Hy-SimulMT no.

Prove di qualità: da un lato ci sono numeri indipendenti, dall'altro una tabella del fornitore

Le prove indipendenti sono a favore di OPUS-MT, sulla questione ristretta della qualità della traduzione testuale. Uno studio pubblicato sulla traduzione in ladino fassano ha misurato un modello OPUS-MT a 55.61 BLEU da italiano a inglese contro 52.93 per NLLB-200 e 44.18 per M2M-100, e 44.35 da inglese a italiano contro 40.13 e 32.40. La lezione di quello studio è che un modello addestrato esclusivamente su una direzione può comunque battere sistemi multilingui molto più grandi su quella direzione. Non dice nulla sul parlato e non coinvolge Hy-SimulMT, perché nessun laboratorio indipendente ha mai valutato Hy-SimulMT.

Dall'altro lato, Tencent riporta 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 e 84,7 RealSI-Sentence per Hy-SimulMT, tutti dalla propria valutazione. Si tratta di benchmark di traduzione vocale, quindi non sono confrontabili con i valori BLEU sopra e non hanno alcuna conferma di terze parti. L'unico segnale interno degno di nota è che il modello perde su CoVoST2 contro Qwen3.8-LiveTranslate di 6,6 punti, pur vincendo nelle altre tre colonne tra i sistemi aperti — un promemoria del fatto che un singolo numero avrebbe nascosto una debolezza reale.

Costo e distribuzione, affiancati

• Parametri — Hy-SimulMT-30B-A3B: 30,4B totali, circa 3B attivi, MoE sparso; Helsinki-NLP OPUS-MT: circa 70–80M per checkpoint, denso.

• Footprint — Hy-SimulMT: circa 61 GB di pesi BF16 prima della KV cache, quindi un acceleratore da 80 GB è il minimo pratico; sono pubblicate build FP8. OPUS-MT: circa 300 MB per checkpoint, utilizzabile su CPU.

• Modello di latenza — Hy-SimulMT: streaming, circa 3 s StreamLAAL su audio di lunga durata. OPUS-MT: frase per frase; lo streaming richiede un ASR e una politica di segmentazione che devi costruire.

• Lingue — Hy-SimulMT: cinese e inglese documentati per il parlato, 36 lingue taggate nei metadati. OPUS-MT: circa un centinaio di lingue distribuite su più di mille checkpoint direzionali.

• Licenza — Hy-SimulMT: Apache-2.0 per i pesi e il codice di Tencent, con componenti di terze parti soggetti alle proprie condizioni. OPUS-MT: per checkpoint e non uniforme — il modello da cinese a inglese è CC-BY-4.0, il modello da inglese a cinese è Apache-2.0, il modello da inglese a tedesco è CC-BY-4.0. Controllare la scheda specifica prima del rilascio.

• API ospitate — Hy-SimulMT: nessuna pubblicata. OPUS-MT: nessuna; solo pesi.

Quest'ultima coppia è importante per gli acquisti. Nessuno dei due modelli è nel catalogo di OrcaRouter e non ospitiamo nessuno dei due — i pesi li ospiti tu stesso oppure usi il canale del fornitore. È nel resto della pipeline che il routing si guadagna il suo posto: il riepilogatore di trascrizioni, il verificatore di glossari, il post-editor e l'assistente chat che circondano la fase di traduzione sono normali chiamate ai modelli, e l'eseguirle tramite un'unica API per 200+ modelli con un ricarico dello 0% rispetto ai prezzi di listino dei fornitori evita un contratto separato per ogni fornitore. Raramente la traduzione è l'unica cosa che fa un prodotto per riunioni.

Quale appartiene al tuo stack?

Scegli OPUS-MT quando l'input è già testo, la direzione è fissa, il volume è elevato e il budget è zero. Le pipeline di documenti legali, i file di sottotitoli, i cataloghi e-commerce e la traduzione offline nel browser sono ancora serviti meglio da uno specialista da 300 MB che da un modello da 30 miliardi di parametri, e la licenza per checkpoint è l'unica cosa che devi verificare. Scegli Hy-SimulMT quando l'input è audio e l'ascoltatore sta aspettando: riunioni live, lezioni, interviste, interpretariato broadcast, qualsiasi contesto in cui un ritardo di tre secondi e una voce preservata valgano un acceleratore e un servizio TTS.

L'errore da evitare è considerarlo una gara di qualità. OPUS-MT non perde contro Hy-SimulMT nella traduzione di testo; perde su un compito per cui non è mai stato progettato. E Hy-SimulMT non sostituisce mille modelli bilingui curati con uno solo intelligente — sostituisce una cascata che altrimenti dovresti assemblare, mettere a punto e debuggare da solo. Sono acquisti diversi, e solo uno dei due arriva in una cartella.