Hy-SimulMT 対 Hy-SimulMT-30B-A3B：1つの名前、6つのファイル、2つの出力

入力してHy-SimulMTHugging Faceで検索しても、その名前のリポジトリは見つかりません。見つかるのは6つで、そのどれもがHy-SimulMT-30B-A3Bに接尾辞が付いた名前です。それが一文で表した比較のすべてです。Hy-SimulMTは、Tencent Hunyuanが2026年10月26日の発表で付けた名前です — 報道で話者より約3秒遅れて追従すると評された、リアルタイムの中国語↔英語通訳です。Hy-SimulMT-30B-A3Bは、実際にダウンロードできる成果物に付いた名前です。短い名前の下に小さな兄弟モデルはなく、dense変種もなく、その背後に隠れた無印の「base」モデルもありません。短い名前はプロジェクトで、長い名前は6つのファイルからなるファミリーです。以下では、比較ページがたいてい埋もれさせる判断、つまりその6つのどれを実行するか、そして字幕オーバーレイの場合と音声出力だけが必要な会議フィードの場合でなぜ答えが変わるかを述べます。

Tencentが発表したもの、そしてそれを何と呼ぶことにしたのか

Tencent 自身のリポジトリでは、Hy-SimulMT をプロジェクト名として扱っている。「Tencent Hunyuan が開発したリアルタイム同時翻訳モデル」である。モデルカードでも同じ短いラベルで分類されている。コレクションのタイトルは「Hy Simultaneous Interpretation Model」である。その資料のどこにも、ファミリーとそのメンバーからなる階層は定義されていない。Hy-SimulMT-Small も、Hy-SimulMT-Mini も、80ギガバイトのアクセラレータを持たない人向けの dense チェックポイントもない。公開されている重みはすべて、同じ 30B クラスの mixture-of-experts アーキテクチャである。

つまり、コレクション内の6つの項目は、意味のある形での6つのモデルではありません。それらは6つのパッケージに入った1つのモデルです：

• Hy-SimulMT-30B-A3B — 翻訳専用出力、フル精度、safetensors。

• Hy-SimulMT-30B-A3B-Interleave — ソースの文字起こしと翻訳、フル精度、safetensors。

• Hy-SimulMT-30B-A3B-FP8とHy-SimulMT-30B-A3B-Interleave-FP8 — 単一GPUでのサービングを想定した8ビット浮動小数点ビルドにおける、同じ2つの出力形状です。

• Hy-SimulMT-30B-A3B-GGUFとHy-SimulMT-30B-A3B-Interleave-GGUF — llama.cpp 用に量子化された同じ2つの出力形状で、Q4_K_M と Q8_0 です。

その下にあるアーキテクチャは304億パラメータのスパースモデルで、トークンあたり約30億パラメータがアクティブになる。48層、128個のエキスパート（トークンごとに8個がルーティングされ、1個が共有される）、および16 kHz音声を30秒のウィンドウで取り込む24層の音声エンコーダーを備える。注目すべきはそのエンコーダー設計だ。このモデルは、完成したファイルを受け取るのではなく、音声がまだ到着している間に消費するように作られている。だからこそ、レイテンシーの主張とベンチマークの主張は別々のものを測定しており、どちらも6つのファイルのうちどれがその数値を生み出したのかを教えてくれない。

ライセンスはApache-2.0で、ゲートもない。これがこのリリースにおける最も強力な単一の事実である。申請フォームも、利用目的の審査も、非商用条項もない。商用利用、改変、再配布が認められており、Tencentは推論サーバーと併せて学習用ツールキットも公開している。したがって継続的な学習は、サポート外の使い方ではなく、想定された用途である。

本当に意味のある選択は、出力の形だ

2つのフル精度チェックポイントの違いは、品質ではありません。モデルが何を出力することを許されているかです。ベースチェックポイントは翻訳だけを出力し、それ以外は何も出力しません。Interleaveチェックポイントは、認識された原テキストを出力し、続いて翻訳を出力します。音声ストリームと同じようにインターリーブされます。

それは、これらのシステムがどこに配備されるかを見るまでは表面的な違いに思える。音声合成を動かすライブ会議フィードにはベースチェックポイントが欲しい。トランスクリプトは無駄な重荷で、出力トークンを消費し、各チャンクにレイテンシを加え、唯一の消費者が音声であるパイプラインに原言語を漏らしてしまうからだ。字幕オーバーレイ、コンプライアンス目的のキャプチャ、バイリンガルの文字起こし、あるいは発話内容と照らして人が翻訳を確認しなければならないあらゆるワークフローには、Interleave チェックポイントが欲しい。なぜなら、代替案は翻訳器の隣で別の音声認識器を動かし、両者が音声を同じように区切ることを期待するというものだからだ。そうはならない。

Tencent自身のワンコマンドデプロイ例は、デフォルトでInterleaveバリアントになっています：

• bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave

デモでは、原文を表示することでシステムが聞き取っていることを示せるため、それは妥当なデフォルトだ。しかし音声専用製品では誤ったデフォルトであり、今回のリリースに関するほとんどの報道が見落としている唯一の細部でもある。トークンコストやエンドツーエンドのレイテンシでモデルを評価しているなら、どのチェックポイントを読み込んだかによって、別のシステムを測定していることになる。

Interleaveには、カードが示唆していながら数値化していない二次的なコストがある。ストリーミングの文字起こしは可変である。音声が追加で到着するにつれて初期出力が修正されうるため、部分的なテキストを表示するクライアントは、追記のみの行ではなく修正を受け入れられるように作らなければならない。AlphaSignalのリリースに関する記事はこの点を直接指摘しており、これは2日でできるプロトタイプを3週間の作業に変えてしまう種類の統合上の詳細である。

ベンチマークは、どのバリアントを測定したのかを示していません。

Tencentは短文形式のスコアを4つ、長文形式のレイテンシ値を1つ公開しており、そのすべての行には「Hy-SimulMT」とだけラベル付けされている——Hy-SimulMT-30B-A3Bではなく、ましてやbase対Interleaveでもない。これがこの公開資料における正直な欠落であり、それは資料中のどの単一の数値よりも重要だ。

• FLEURS — 90.3。Gemini3.5-LiveTranslate は 92.4 点を記録しているため、これはカテゴリーでの勝利ではありません。

• CoVoST2 — 75.5、Qwen3.8-LiveTranslateの82.1に後れを取っています。これは表の中で最も明確な敗北であり、主要な報道では見落とされがちな項目です。

• ACL6060 — 81.2。Gemini3.5-LiveTranslateは82.6。

• RealSI-Sentence — 比較セット内で最高の84.7。

• RealSI長文レイテンシ — StreamLAALは約3秒で、比較対象のシステムの中で最も低いとされています。

これらはすべてベンダーが実施したものだ。独立に再現されたものは一つもなく、カードには StreamLAAL が最初の音声出力までの時間と同じ測定ではないことが明記されている。デモ動画はオフラインの再生であり、その再生タイミングもライブのレイテンシ測定ではない。この表は、モデルを開発した研究所が、自ら選んだハーネス上で、バリアント名を伏せたまま示した一連の主張として読むべきだ。

その最後の省略は、ハードウェアを持っている人なら誰でも半日で修正できる。同じ音声で両方のチェックポイントを実行し、差分を公開すればいい。誰かがそうするまでは、公開された数値は翻訳のみの経路を指していると考えるのが妥当な仮定だ。そちらの方がよりクリーンな測定だからである。インターリーブ版はより多くのトークンを出力しなければならず、ストリーミングデコーダではトークンが増えるほどレイテンシも増える。しかしそれは仮定であって、開示ではない。

フォーマットは3つ目の決定事項であり、GGUFのパスには落とし穴があります

フル精度のチェックポイントはBF16で約61GBです。これにより、快適にデプロイするための実用的な下限は80GBアクセラレータとなり、出荷時のままモデルを提供する予定なら、これが予算計上すべき数値です。FP8ビルドが存在するのは、まさにその要件をより小型の単一カードまで引き下げるためであり、Tencentもそのように位置づけています。

GGUF のルートはさらに安く見え、ファイルサイズも具体的だ。Interleave GGUF リポジトリには、Q4_K_M が 19.7 GB、Q8_0 が 33.3 GB と記載されている。300億パラメーターモデルの 19.7 GB 量子化は、「データセンター向けカードが必要」と「ワークステーションに収まる」の違いであり、ほとんどの人が最初に試すバージョンだ。

注意点は、このアーキテクチャに対する llama.cpp のサポートが上流リポジトリにマージされていないことだ。Tencent は、すでに起動済みで音声対応の llama.cpp サーバーを前提とするブリッジを提供しており、MODEL_TYPE スイッチ——翻訳専用チェックポイント用の target_only、インターリーブ版用の source_target——があり、ドキュメントでは公式リリースを待つよう勧めている。今日量子化ビルドを動かすということは、このモデルが何なのかをまだ理解していない llama.cpp ビルドの上で、ベンダーのブリッジを動かすことを意味する。評価目的なら妥当なことだ。製品の基盤としては脆く、障害の形は、ベンダーのパッチとは独立にアップグレードできない依存関係である。

vLLM 経路では、バージョン 0.31 以降で HYV3ForCausalLM をサポートしていること、および simulst パッケージが必要です。マルチ GPU 展開はテンソル並列化によってサポートされています。ワンコマンドインストーラーは、Web および API サービスをポート 8080 で、モデルサーバーを 8800 で起動し、隔離された環境で実行されます。つまり、既存のスタックを指定すると、SimulInfer を再インストールしたり依存関係のバージョンを変更したりする可能性があります。Tencent が手順を逐一文書化しているのは、まさにそのためです。

提供するために必要なこと、そしてリリースに含まれないもの

音声出力と音声クローンはチェックポイントの特性ではない。モデルが生成するのはテキストだ。そのテキストを話者の声で音声にするには、別途設定されたTTSサービスが必要であり、その一文のあらゆる要素にコストが伴う。実行するサービスがもう一つ、レイテンシ予算におけるネットワークホップがもう一つ、確認すべき別ベンダーの規約がもう一つ、そしてマイクと聞き手の間の障害点がもう一つ増える。モデルカードはこの点について率直に述べており、これはデモとデプロイ可能な通訳との間にある最大のギャップである。

ホスト型APIも公開価格もありません。Tencentの消費者向け窓口はHy Translateアプリで、AndroidとiOSで無料枠を提供しています。モデルの実力を見聞きするには最も安価な方法ですが、本番環境の依存先としては役に立ちません。それ以外はすべてセルフホストとなるため、コストはアクセラレータ、運用時間、TTSの請求額であり、スプレッドシートに記入できるトークン単価ではありません。

言語カバレッジにも同じ厳しさの検証が必要だ。説明文には中国語と英語の双方向が記載されている。Hugging Faceのメタデータでは、このチェックポイントに36言語のタグが付いている。他の34言語のリストは公開されておらず、リポジトリ自体の例はすべて en-zh または zh-en だ。Tencentが別途文書化するまでは、このタグを継承されたメタデータとして扱い、タグだけを根拠に36言語展開を計画しないこと。

セカンドソースが必要な主張

人間通訳者との比較は、このリリースで最も引用されている主張であり、最も裏付けが弱い主張でもある。Tencentは、10分野から抽出した各約6分の新規収録18件を、経験豊富な通訳者6人（CATTIレベル1保持者3人、レベル2保持者3人）が評価した結果に基づき、品質は「熟練した人間の同時通訳者と同等であり、しかも応答が速いことが多い」と報告している。各レベルについて、3人の通訳者のうち最高スコアが用いられた。

最後のその詳細はかなり大きな意味を持っている。3回の試行のうち最良の結果を単一のモデル実行と比較するのは、かなり寛大な比較設計であり、モデルカードは信頼区間もドメイン別の内訳も公表していない。また、声のクローニングについて客観的な話者類似度スコアも公表していないが、これは現場にいる人々にとって導入が受け入れ可能に感じられるかどうかを決める可能性が最も高い機能である。カード自身が述べている限界——知見はサンプル、参加者、設定によって制約され、包括的な評価ではない——こそが正しい読み方だ。医療、法律、雑音の多い会話音声こそ、通訳者との比較にドメイン別の数値が必要になる領域であり、欠けているのはまさにその数値なのだ。

説明責任、専門家によるレビュー、または重大な意思決定が関わる場面では、プロの通訳者が依然として適切な選択です。これは批評家の見解ではなくTencentの位置づけであり、この発表の見出し版ではそれが示されていなかったため、繰り返す価値があります。

セルフホストする場合は、その背後に何かを配置してください。

どちらのチェックポイントもOrcaRouterのカタログにはないため、当社はどちらへのルートでもなく、この記事もそう装うことはしません。だからといって、ルーターがセルフホスト型インタープリターにとって無関係になるわけではなく、その役割はエッジへ移るだけです。ライブ翻訳の経路は長い連鎖です。音声キャプチャ、モデルサーバー、任意のTTSサービス、そしてクライアント。各リンクは滞ることがあり、会議中に滞ることは、翻訳が少し劣るよりも悪いことです。音声経路ではなく文字起こし経路のフォールバックとして、同じエンドポイントの背後にホスト型テキストモデルを置けば、モデルサーバーが停止しても無音になる代わりに、読める文字起こしへと縮退します。

OrcaRouterは200以上の人気ホスト型モデルを0%のマークアップで束ねる単一のAPIであり、プロバイダーの定価を一切上乗せせずにそのまま適用し、フォールバックルールはルーティングDSLで表現できるため、二つ目の統合は不要です。ここで重要なのは自動フェイルオーバーです。ルールは上流の障害を起点に発動し、人が字幕の停止に気づいて発動するものではありません。

では、どのファイルですか

「対決」という枠組みは、その名前が何を指すのかを知れば消え去り、残るのは3つの正直な答えを伴うパッケージング上の決定だけだ。

音声プロダクト——会議の同時通訳、コールセンターのオーバーレイ、出力が音声になるものなら何でも——を構築しているなら、Hy-SimulMT-30B-A3Bを選ぶか、単一の80GBカードが制約となる場合はそのFP8ビルドを選んでください。トランスクリプトは不要ですし、その生成にお金を払いたくもないはずです。ベースチェックポイントのほうが、レイテンシの面でクリーンな経路です。

出力を人間が読む場合は、次を選んでください：Hy-SimulMT-30B-A3B-Interleave。字幕、バイリンガル議事録、コンプライアンス記録の取得とレビューのワークフローはいずれもソーステキストを必要とし、翻訳者の横で別の認識器を動かすと、文がどこで終わったかについて食い違う2つの文字起こしができてしまいます。

デプロイするのではなく評価するのであれば、Hy-SimulMT-30B-A3B-Interleave-GGUF の Q4_K_M を選び、19.7 GB のファイルと未マージの llama.cpp 依存関係を受け入れ、すでに所有しているハードウェアでモデルを聴くための手段として扱ってください。品質がカードに見合うと判断してから初めて、FP8 vLLM パスにアップグレードしてください。

未解決の問いは、どのファイルがより優れているかではない。公開されているスコアが、あなたが選んだファイルを正しく表しているかどうかだ。Tencentにはそれを1日で答えるだけのハードウェアがある。それが実現するまで、90.3や84.7を引用する人は誰でも、6つのチェックポイントのうちどれがその値を生んだと考えるのかを明言すべきだ。