Tencentは3秒で応答する通訳ツールを開発し、プレスリリースなしでリリースした

2026年10月22日、Hugging Faceのtencentオーガニゼーション配下に、新しいモデルファミリーの6つのリポジトリが現れた。本記事で取り上げるのはHy-SimulMT-30B-A3B-Interleave、すなわち認識されたソーステキストと翻訳の両方を出力するバリアントである。その兄弟にあたるHy-SimulMT-30B-A3Bは翻訳のみを出力する。どちらもApache-2.0で、どちらも304億パラメータであり、そしてどちらも、Tencentの過去の翻訳リリースのいずれも果たせなかった仕事のために作られている。つまり、中国語または英語の音声を話されているそばから聞き取り、文がまだ途中であるうちに別の言語を生成することだ。4日後、メインのリポジトリのダウンロード数はゼロ、いいねは2件だった。Hunyuanのブログ記事も、プレスリリースも、arXiv論文もなく、一か月にわたって続いていたTencentの翻訳事業に関する中国語報道のどこにも一行も記されていなかった。唯一の告知は、10月26日に追加されたモデルカードのNewsセクションにある、日付付きの1行の箇条書きだけで、そこには「リリース」と書かれている。

ウェイトが実際に何を成し遂げるのかと、それがどれほど大々的に公開されたのかとの間の隔たりこそが、この話の核心だ。約3秒の遅延を伴う同時通訳機能が、寛容なライセンスの下でダウンロード可能になっている——これは日常的なリリースではない。翻訳アプリを、順番に交代して使うものから、会議中に身につけていられるものへと変える、その要となる部分なのだ。この沈黙について最もありそうな説明はカレンダーにある。Tencentは10月23日、深圳で開催される第33回APEC経済首脳会議の戦略的パートナーとなり、それはウェイトが公開された翌日のことだった。そして同社のHy Translateアプリは、11月18～19日に開催されるこのイベントで働くボランティアとスタッフ向けの公式AI翻訳ツールに指定された。これは公開された日付からの推測であり、Tencentが述べたことではない。以下では、リポジトリが証明していることと、単に示唆していることを分けて見ていく。

リポジトリには実際に何が含まれているのか

アーキテクチャは、hy_v3というタグが付与され、HYV3SpeechForCausalLMとして実装された、音声入力・テキスト出力の因果言語モデルである。設定には、スパースなMixture-of-Expertsスタックが明記されている。48層、隠れ層サイズ2,048、エキスパート数128（エキスパート隠れ次元768）、トークンごとに8個のルーテッドエキスパート＋1個の共有エキスパート、そして先頭に単一の密層である。safetensorsインデックスでは、BF16で30,394,788,480個のパラメータが数えられ、さらに6,016個がF32で保存されている。Tencentは名称中の「A3B」を展開して説明することはないが、計算はそれと整合している。そのエキスパート幅で8個のルーテッドエキスパート＋1個の共有エキスパートは、トークンあたり約30億個のアクティブパラメータになる。これは公開設定に基づく当社の計算であり、ベンダーによる数値ではない。

音声フロントエンドはパイプラインの背後に隠れているのではなく、同じ設定ファイル内にあります。128メルビン、幅1,024で2,048に射影する24層エンコーダ、16 kHzサンプリング、入力ウィンドウあたり最大480,000サンプル（30秒）です。生成はデフォルトでtemperature 0.0、max_new_tokens 64で、これは短い翻訳テキストを出力してから次の音声を待つように設計されたモデルから期待される動作です。最大位置埋め込みは262,144と記載されています。モデルカードには使用可能なコンテキスト長は記載されておらず、ストリーミング音声ではその数値は30秒ウィンドウほど意味を持ちません。

6つのチェックポイントを一度にリリース：ベースとInterleaveのそれぞれに、FP8ビルドとGGUFビルドがあります。ライセンスファイルはApache-2.0で、同梱のサードパーティコンポーネントには独自の条件が適用されるという通常の例外規定が付いています。モデルカードには12名の貢献者が明記され、SimulInferという推論サービスとSimulTrainというトレーニングツールキットの両方を含むGitHubリポジトリにリンクし、論文ではなくTencentの製品ページを引用しています。

レイテンシの数値、そして見出しの主張をくつがえすベンチマーク行

同時通訳モデルにとって重要な主張は、単独での翻訳品質ではなく、所定の遅延における品質である。TencentはこれをRealSIの長尺音声で評価し、StreamLAALが約3秒であると報告している。これは比較対象システムの中で最低と説明されており、GEMBAスコアは比較対象のオープンソースモデルと5つの商用APIのうち4つを上回る。StreamLAALはストリーミング設定におけるソースとターゲットのトークン間の平均遅延を測るものであり、最初の音声が出るまでの時間ではない。カードはそう明記している。またカードは、GEMBAでそれを上回った5つ目の商用APIの名前も挙げていない。

短縮版の表のほうが、ある列では手放しの称賛になっていない分、情報量が多い。4つの公開ベンチマークについて、TencentはHy-SimulMTがFLEURSで90.3、CoVoST2で75.5、ACL6060で81.2、RealSI-Sentenceで84.7だと報告している。これに対して、Qwen3.8-LiveTranslateは88.4、82.1、80.5、84.4、Gemini3.5-LiveTranslateは92.4、74.4、82.6、82.2、Seed-LiveInterpret2.0は85.8、67.7、74.8、80.0を記録している。要約ではなく各列を読むべきだ。Hy-SimulMTはオープンシステムの中ではFLEURS、ACL6060、RealSI-Sentenceで勝ち、CoVoST2ではQwenに6.6ポイント差で負け、FLEURSではGeminiに2.1ポイント差で負けている。カード自体の文面——FLEURS、ACL6060、RealSI-Sentenceで他のオープンソースモデルより高い——は慎重に範囲を限定しており、欠けているベンチマークこそ、最も成績が悪いものだ。あの表のすべての数値はTencentが算出したものだ。独立系ラボがこのモデルを実行したことはない。

人間の比較は、見出しよりも注意深く読むに値する。

テンセントはまた、プロの通訳者との条件を揃えた比較も委託した。2026年9月以降にオンラインで公開された中国語と英語の録音18本で、それぞれ約6分、ソフトウェアや医療から法律や農業まで10分野にわたり、6人の専門家が通訳した。内訳はCATTI 1級資格保持者3人と2級保持者3人である。各資格レベルについて、3人の通訳者のうち最優秀者を比較対象とした。結論は、このモデルが熟練した人間の同時通訳者と同等の品質に達し、しばしばより速く応答するというものである。

それは印象的な結果だが、小規模な結果でもあり、カードは脚注で率直にそう述べている。知見はそれらのサンプル、それらの通訳者、その設定にのみ当てはまり、音声品質や声の類似性の評価を構成するものではない。方法論上の詳細が二つ、心に留めておく価値がある。各レベルで最高得点の通訳者を使うことは、品質については厳しい基準を設けるが、遅延については不均一な基準となる。比較対象が中央値のプロフェッショナルではなく、一人の人間だからだ。そしてこのテストが測るのは情報の伝達とタイミングであり、機械音声を聞く人が最初に気づくことが多い点、つまり人間のように聞こえるかどうかではない。

リポジトリが答えていないこと

購入者がまず尋ねるであろういくつかの質問には、まだ公開された回答がありません。ホスト型APIも価格もありません。TencentがTencent Cloud上でトークン単位の公開料金を提示しているHy-MT2ファミリーとは異なり、Hy-SimulMTは重みのみとモバイルアプリであり、Hugging Faceの推論プロバイダーパネルではどのプロバイダーによってもデプロイされていないと表示されています。技術レポートも、Tencent自身の評価以外のベンチマークもありません。モデルカードには、音声出力とボイスクローニングには設定済みのTTSサービスが必要だと記載されているため、「音声-to-音声」という位置づけは、モデルの周囲に組み上げられたシステムを説明するものであり、音声を出力する単一のチェックポイントではありません。llama.cppのサポートは上流にマージされていないことが明記されています。GGUFビルドは公開されているにもかかわらず、モデルカードはそのモデルをサポートするリリースを待つことを推奨しており、サンプルの環境変数はhymt-A3b-tgt_only-1019-Q8_0.ggufという名前のチェックポイントを参照しています。これは公開モデルIDと一致しないアーティファクト名です。

言語メタデータが最も紛らわしい部分です。リポジトリには36言語がタグ付けされており、中国語と英語からフランス語、アラビア語、クメール語、チベット語、カザフ語、ウイグル語まで含まれます。本文で記載されているのは、中国語と英語の間の双方向音声翻訳のみです。追加の言語が音声経路ではなくHy-MT2から継承したテキストバックボーンに属するのであれば、両方の記述は真になり得ます。しかしモデルカードにはそのことが書かれておらず、日本語やアラビア語での展開を計画している人は、Tencentが文書化するまで未確認として扱うべきです。

自分で動かす場合と、そのハードウェアにかかるコスト

文書化されている経路は、HYV3ForCausalLM をサポートする vLLM 0.31 以降と、simulst パッケージです。単一のコマンドで環境をプロビジョニングし、モデルサーバーと Web/API フロントエンドをそれぞれポート 8800 と 8080 で起動します。フロントエンドは音声のアップロード、マイク、または WebSocket ストリームを受け付け、TTS が設定されている場合は翻訳済み音声をディスクに書き込みます。また、既存の llama.cpp サーバー（8080）に対して Web レイヤーをポート 8094 で実行する llama.cpp ブリッジもあり、翻訳のみかソース＋翻訳のチェックポイントかを切り替える MODEL_TYPE スイッチを備えています。実用上の制約はメモリです。BF16 で 304 億パラメータは、KV キャッシュとアクティベーションを除いて約 61 GB の重みになるため、現実的な最低ラインは単一の 80 GB アクセラレーターであり、より小型のカードを現実的にするのは FP8 ビルドです。これらはパラメータ数から算出した当社の数字であり、カードに記載されていない Tencent の最小仕様ではありません。

会議パイプラインが翻訳だけでなく、文字起こしの要約、アクションアイテムの抽出、フォローアップの下書きまで行うチームにとって、通訳は複数ある工程のうちの1つにすぎません。その後の工程は、その時点で最も優れたベンダーをまたいだ、ごく普通のAPI呼び出しです。OrcaRouterが担うのはまさにこの層です：200以上のモデルに対応する単一のAPIで、プロバイダーの定価をそのまま0%のマークアップで提供し、プロバイダーがつまずいた際の自動フェイルオーバー、工程を組み立てるためのルーティングDSLを備えています。Hy-SimulMT自体は当社のカタログにはなく、当社がホストしているものでもありません。要点は、周辺作業にベンダーごとの個別契約が必要ないということです。

何がこの評価を変えるでしょうか

注目すべき点は3つあり、決着にどれだけ寄与するかの順に並べると次のとおりだ。独立した評価——IWSLTの評価サイクルは毎年、オープンシステム向けのStreamLAAL数値を公表しており、これらの重みを使った提出は、モデルの所有者によって生み出されたものではない最初の数値になるだろう。価格付きのホスト型エンドポイント——これがあれば、Tencentがこれをインフラとして意図しているのか、自社アプリの機能として意図しているのかが分かる。そしてllama.cppへのマージ——これが、GGUFビルドが本当のローカル選択肢なのか、それともプレースホルダーなのかを決める。それまでは、正直な要約はこうだ。Tencentは、これまで見てきた中で最も高性能なオープンな同時音声翻訳器を公開しており、強力なベンダー数値と寛容なライセンスを備える一方、そのいずれについても外部からの確認はない——そして、APEC提携発表の1日前というタイミングは、Tencentが気にかけている確認が、ベンチマークのリーダーボードではなく、深圳で電話を手に持つ一人のボランティアであることを示唆している。