Hy-SimulMT-30B-A3B 対 Helsinki-NLP OPUS-MT：専門家を詰め込んだフォルダーに対するライブ通訳者

同じカンファレンス講演が2通りの方法で処理される様子を想像してみてください。1つ目では、マイクが自動音声認識器に音声を送り、認識された文が翻訳モデルに渡り、その翻訳が音声合成器に渡され、話者が中国語を話してから数秒後に聴衆が英語を耳にします。しかも、あらゆる名前、数字、頭字語は、3度の別々の破損リスクを無事に切り抜けてきたうえでのことです。2つ目では、単一のモデルが音声を聞き、文が進むにつれて翻訳を出力します。 Hy-SimulMT-30B-A3Bは、Tencent が2026年10月22日に重みとして公開したもので、後者のために作られています。 Helsinki-NLP OPUS-MTは世界で最も広く導入されているオープンな翻訳システムであり、1つ目のより狭い版のために作られています。つまり、テキストを一度に1文ずつ、チェックポイントごとに1つの言語方向へ翻訳し、CPU上でその作業を無料で行えるため、数十万回もダウンロードされています。

この二つは通常の意味でのライバルではない。一方はアクセラレータを必要とする304億パラメータの音声モデルであり、もう一方は、それぞれ約7,000万〜8,000万パラメータ、大半が約300MBの1,000超のバイリンガルチェックポイントの集合体で、ノートPCでも快適に動作する。有益な比較は、どちらがより良く翻訳するかではない。翻訳コンポーネントと翻訳システムの境界がどこにあり、その境界のどれだけを自分で持ちたいのか、ということだ。

それぞれが実際に何なのか

OPUS-MTはヘルシンキ大学のNLPグループによって維持されており、MarianMTエンコーダー・デコーダーアーキテクチャに基づいて構築されています。これは単一のモデルではなくカタログです。中国語→英語、英語→中国語、英語→ドイツ語、その他数百の方向ごとに個別のチェックポイントがあり、それぞれがOPUSコレクションの並列コーパスで訓練され、個別にダウンロードできます。中国語-英語のチェックポイントだけでも50万回近くダウンロードされており、逆方向は約73,000回ダウンロードされています。多数のソース言語を1つの英語ターゲットモデルにまとめた多言語版もありますが、一般的なのは、正確に1つのタスクだけを知る狭い専門モデルです。

このアーキテクチャは、その長所と限界の両方を物語っている。並列テキストだけで学習された7700万パラメータのエンコーダ・デコーダには、世界知識を入れる余地も、指示インターフェースも、ストリーミングの仕組みもない。文を1つ与えれば、文を1つ返す。段落を与えると、共有コンテキストを持たない文の連続としてその段落を翻訳する。さらに、公開されているエンジニアリングノートは、長い入力で内容を黙って脱落させる傾向があると報告している。用語集の用語を保持する、JSONキーを保持する、フォーマルな文体に合わせる、といったことを指示することはできない。それらは前処理と後編集で扱うか、自分で構築する覚悟があるなら制約付きデコーディングで扱うことになる。

Hy-SimulMT-30B-A3Bはまったく別種のオブジェクトです。その設定は、128エキスパート、トークンごとに8つのルーティング済みエキスパートと1つの共有エキスパートを持つ48層のスパース混合エキスパートモデルと、2,048幅のバックボーンに供給する24層の音声エンコーダを記述しています。名前の「A3B」はカード内で展開されていませんが、設定の計算上は約30億のアクティブパラメータ、総計304億パラメータになります。16 kHzの音声を30秒のウィンドウで受け取り、翻訳テキストを生成します。Interleaveバリアントはソースの文字起こしも出力します。音声合成とボイスクローニングは、デプロイメントツールキットが接続する別個のサービスによって処理されます。つまり、「音声対音声」製品は単一ファイルではなく、組み立てられたものです。

レイテンシの議論は、実のところ誤差伝播の議論である。

レイテンシーは明らかな違いであり、最も面白みのない違いでもある。カスケードは高速になるよう調整できる。部分仮説を備えた優れたストリーミングASRに小さなMTモデルを組み合わせれば、話者から1秒未満遅れの実用的な字幕ストリームを生成できる。同時モデルが存在する理由は、カスケードにおける速度が各段階に与える文脈を減らすことで買われており、その結果、各段階が次の段階には見えない誤りを生むからだ。認識器が固有名詞を聞き間違えても、翻訳器にはそれが名前だったと知る術がなく、音声合成器はその誤りを自信たっぷりに発音する。聴者はどの段階が失敗したのか知る術がない。

全体タスクでエンドツーエンドに学習された単一のモデルは、原理的には、音声が曖昧さを解消するまで判断を先送りすることができ、音声クローニングが有効であれば話者の声をそのまま通すこともできる。テンセントの主張はまさにこのトレードオフに関するものだ。長尺のRealSI音声における約3秒のStreamLAALは、比較対象のシステムの中で最低であるとされ、その表内のオープンソースモデル、および5つのうち4つの商用APIを上回るGEMBA品質スコアを備えている。3秒が良いかどうかは状況に完全に左右される——交渉の場では長く、講義では短い——しかしそれはストリーミングタスク上で測定されたものであり、そのタスクこそ、OPUS-MTがそれを中心に据えたカスケードなしには試みることのできないタスクなのだ。

正直に数えたカバレッジ

ここがこのフォルダーが決定的に優位に立つ点であり、ほとんどの比較が曖昧にしてしまう部分だ。OPUS-MTの千以上のチェックポイントは、さまざまな方向にわたり約100言語をカバーしており、大規模多言語モデルがこれまで見たことのない低リソースの言語ペアも含まれている。Hy-SimulMTは中国語と英語の双方向音声翻訳を記述している。リポジトリのメタデータには36言語——フランス語、アラビア語、クメール語、チベット語、カザフ語、ウイグル語など——がタグ付けされているが、本文で説明されているのは中国語-英語のペアのみで、カード内のどこにもこの不一致を説明していない。最も可能性の高い解釈は、タグが音声能力ではなくTencentのHy-MT2ファミリーから継承したテキストバックボーンを表しているというものだが、それは解釈であり、公表された事実ではない。

正直に言えば、対応範囲は次のとおりです。メタデータでは36言語を謳っていますが、音声について文書化されているのは2言語で、テキストでは100余りの言語のカタログがあります。ライブ会議で中国語（標準中国語）から英語への通訳が必要なら、Hy-SimulMTはまさにそうした用途を狙っています。静的な文書でポーランド語からフィンランド語への翻訳が必要なら、OPUS-MTにはそのためのチェックポイントがあり、Hy-SimulMTにはありません。

品質の根拠：一方には独立した数値があり、もう一方にはベンダーの表がある

テキスト翻訳品質という限定的な問いに関しては、独立した証拠はOPUS-MTに有利に働く。ファッサ・ラディン語翻訳に関する公表された研究では、OPUS-MTモデルはイタリア語→英語で55.61 BLEU、NLLB-200が52.93、M2M-100が44.18だった。また英語→イタリア語では44.35で、40.13と32.40だった。その研究の教訓は、一方向だけを専門に訓練されたモデルでも、その方向でははるかに大規模な多言語システムを上回り得るということだ。音声については何も述べておらず、Hy-SimulMTも関与していない。なぜなら、Hy-SimulMTを評価した独立した研究所は一切ないからだ。

一方で、TencentはHy-SimulMTについて、90.3 FLEURS、75.5 CoVoST2、81.2 ACL6060、84.7 RealSI-Sentenceを報告しており、これらはすべて自社評価によるものです。これらは音声翻訳ベンチマークであり、上記のBLEUの数値とは比較できず、第三者の確認もありません。注目に値する内部的なシグナルは一つで、このモデルはCoVoST2でQwen3.8-LiveTranslateに6.6ポイント負ける一方、オープンシステム間では他の3列で勝っているということです。これは、単一の数値では実際の弱点が隠れていたことを思い起こさせます。

コストとデプロイを並べて比較

• パラメータ — Hy-SimulMT-30B-A3B：合計30.4B、アクティブ約3BのスパースMoE、Helsinki-NLP OPUS-MT：チェックポイントあたり約70～80M、密（dense）。

• フットプリント — Hy-SimulMT: KVキャッシュを除いてもBF16の重みが約61 GBあるため、80 GBのアクセラレータが実用的な下限です。FP8ビルドも公開されています。OPUS-MT: チェックポイントあたり約300 MBで、CPU対応です。

• レイテンシモデル — Hy-SimulMT：ストリーミング、長尺音声で約3秒のStreamLAAL。OPUS-MT：文単位で処理。ストリーミングにはASRと、自分で構築するセグメンテーションポリシーが必要です。

• 言語 — Hy-SimulMT：音声用として中国語と英語が文書化されており、メタデータには36言語がタグ付けされています。OPUS-MT：約100言語を、1,000を超える方向別チェックポイントでカバーしています。

• ライセンス — Hy-SimulMT: Tencent の重みとコードは Apache-2.0 で、第三者コンポーネントはそれぞれの条件に従います。OPUS-MT: チェックポイントごとに異なり、一律ではありません — 中国語から英語のモデルは CC-BY-4.0、英語から中国語のモデルは Apache-2.0、英語からドイツ語は CC-BY-4.0 です。出荷前に該当するカードを確認してください。

• ホステッドAPI — Hy-SimulMT: 公開されているものはありません。OPUS-MT: なし、重みのみ。

最後の2つのモデルは調達にとって重要です。どちらのモデルもOrcaRouterのカタログにはなく、当社がどちらかをホストしているわけでもありません。重みは自社でホストするか、ベンダー自身のチャネルを利用します。ルーティングが本当に役割を発揮するのは、パイプラインの残りの部分です。翻訳段階の周囲にある文字起こし要約ツール、用語集チェッカー、ポストエディター、チャットアシスタントは通常のモデル呼び出しであり、それらを200+モデルに対応する1つのAPIを通じて0%のマークアップという条件でプロバイダーの定価を基準に利用すれば、ベンダーごとに別々の契約を結ばずに済みます。翻訳は、会議製品が行う唯一の機能であることはほとんどありません。

あなたのスタックに属するのはどれですか

OPUS-MT は、入力がすでにテキストで、翻訳方向が固定され、処理量が多く、予算がゼロの場合に選びます。法務文書パイプライン、字幕ファイル、Eコマースカタログ、オフラインブラウザ翻訳は、いずれも300 MBの専門特化モデルのほうが300億パラメータモデルより適しており、監査が必要なのはチェックポイントごとのライセンスだけです。Hy-SimulMT は、入力が音声で聞き手が待っている場合に選びます。ライブ会議、講義、インタビュー、放送通訳など、3秒の遅延と声の保持のためにアクセラレータとTTSサービスを使う価値があるあらゆる場面です。

避けるべき誤りは、これを品質コンテストと見なすことだ。OPUS-MTはテキスト翻訳でHy-SimulMTに負けているのではない。本来想定されていないタスクで負けているのだ。そしてHy-SimulMTは、千もの丁寧に作られたバイリンガルモデルを一つの賢いモデルに置き換えるのではない。自分で組み立て、調整し、デバッグしなければならないカスケードを置き換えるのだ。これらは別種の買い物であり、そのうちフォルダの形で届くのは一方だけである。