Tencent는 3초 통역기를 만들고 보도자료 없이 출시했다

2026년 10월 22일, Hugging Face의 tencent 조직 아래에 새로운 모델 패밀리의 저장소 여섯 개가 등장했습니다. 이 글에서 다루는 것은 Hy-SimulMT-30B-A3B-Interleave로, 인식된 원문 텍스트와 번역을 모두 출력하는 변형입니다. 그 형제 모델인 Hy-SimulMT-30B-A3B는 번역만 출력합니다. 둘 다 Apache-2.0이며, 둘 다 파라미터 수가 304억 개이고, 둘 다 텐센트의 이전 번역 릴리스 중 어느 것도 할 수 없었던 작업을 위해 만들어졌습니다. 즉, 중국어나 영어 음성이 말해지는 동안 이를 듣고 문장이 아직 진행 중일 때 다른 언어를 생성하는 것입니다. 나흘 후, 메인 저장소는 다운로드 0회와 좋아요 2개를 보여주었습니다. Hunyuan 블로그 게시물도, 보도자료도, arXiv 논문도 없었고, 그달 내내 이어지던 텐센트 번역 사업에 관한 중국어 보도 어디에도 한 줄 없었습니다. 유일한 발표는 10월 26일에 추가된 모델 카드의 News 섹션에 있는 날짜가 붙은 단 하나의 글머리 기호뿐이며, 그 내용은 “공개됨.”입니다.

가중치가 하는 일과 그것이 얼마나 요란하게 공개되었는가 사이의 간극이 바로 이 이야기의 핵심이다. 약 3초의 지연을 가진 동시통역기를 허용적 라이선스로 다운로드할 수 있다는 것은 일상적인 공개가 아니다. 그것은 번역 앱을 서로 순서를 번갈아 쓰는 도구에서 회의에서 착용할 수 있는 도구로 바꿔 주는 조각이다. 이 침묵에 대한 가장 유력한 설명은 일정표에 있다. 텐센트는 가중치가 공개된 다음 날인 10월 23일 선전에서 열리는 제33차 APEC 경제지도자회의의 전략적 파트너가 되었고, 자사의 Hy Translate 앱은 11월 18~19일 열리는 해당 행사에서 일하는 자원봉사자와 직원을 위한 공식 AI 번역 도구로 지정되었다. 이는 공개된 날짜들로부터 나온 추론이며, 텐센트가 말한 것은 아니다. 다음 내용은 저장소가 입증하는 것과 단지 시사하는 것을 구분한다.

저장소에 실제로 무엇이 들어 있나요?

아키텍처는 speech-in, text-out 방식의 인과 언어 모델로, hy_v3 태그가 붙고 HYV3SpeechForCausalLM으로 구현됩니다. 구성은 희소 전문가 혼합(MoE) 스택을 명시합니다. 48개 레이어, 은닉 크기 2,048, 전문가 은닉 차원이 768인 128개 전문가, 토큰당 8개의 라우팅된 전문가와 1개의 공유 전문가, 그리고 맨 앞의 단일 덴스 레이어입니다. safetensors 인덱스는 BF16으로 30,394,788,480개 파라미터를 집계하며, 추가로 6,016개는 F32로 저장됩니다. Tencent는 이름에 있는 "A3B"를 절대 풀어 설명하지 않지만, 계산은 그와 일치합니다. 해당 전문가 폭에서 라우팅된 전문가 8개와 공유 전문가 1개를 더하면 토큰당 약 30억 개의 활성 파라미터가 됩니다. 이는 벤더가 제시한 수치가 아니라 공개된 구성에서 우리가 계산한 것입니다.

오디오 프런트 엔드는 파이프라인 뒤에 숨겨져 있는 것이 아니라 동일한 구성 파일에 있습니다. 128개의 멜 빈, 폭 1,024에서 2,048로 프로젝션하는 24층 인코더, 16kHz 샘플링, 그리고 입력 윈도우당 최대 480,000개 샘플(30초)입니다. 생성은 기본적으로 temperature 0.0 및 max_new_tokens 64로 설정되는데, 이는 짧은 번역 텍스트를 출력한 뒤 추가 오디오를 기다리도록 설계된 모델에서 예상할 수 있는 값입니다. 최대 위치 임베딩은 262,144로 기재되어 있습니다. 모델 카드에는 사용 가능한 컨텍스트 길이가 공개되어 있지 않으며, 스트리밍 오디오에서는 그 숫자가 30초 윈도우보다 훨씬 덜 의미 있습니다.

한 번에 여섯 개의 체크포인트가 출시되었습니다: 베이스와 Interleave이며, 각각 FP8 빌드와 GGUF 빌드를 갖추고 있습니다. 라이선스 파일은 Apache-2.0이며, 번들로 포함된 타사 구성 요소는 자체 조건을 유지한다는 통상적인 예외 조항이 있습니다. 모델 카드에는 열두 명의 기여자가 명시되어 있고, SimulInfer라는 추론 서비스와 SimulTrain이라는 학습 툴킷을 모두 포함하는 GitHub 저장소를 링크하며, 논문이 아닌 Tencent 제품 페이지를 인용합니다.

레이턴시 수치, 그리고 헤드라인을 약화시키는 벤치마크 행

동시통역 모델에서 중요한 주장은 번역 품질 자체가 아니라 주어진 지연 시간에서의 품질입니다. Tencent는 이를 RealSI 장형 오디오에서 평가하고 StreamLAAL이 약 3초라고 보고했으며, 이는 비교 대상 시스템 중 가장 낮은 수치라고 설명했습니다. 또한 GEMBA 점수는 비교 대상 오픈소스 모델들과 5개 상용 API 중 4개보다 높았습니다. StreamLAAL은 스트리밍 환경에서 소스 토큰과 타깃 토큰 사이의 평균 지연을 측정하는 것이며, 첫 오디오까지 걸리는 시간(time-to-first-audio)이 아니라고 모델 카드에 명시되어 있습니다. 모델 카드는 GEMBA에서 자사를 앞선 다섯 번째 상용 API의 이름도 밝히지 않습니다.

간략형 표가 더 많은 정보를 준다. 한 열에서 덜 호의적이기 때문이다. 네 가지 공개 벤치마크에서 Tencent는 Hy-SimulMT가 FLEURS에서 90.3, CoVoST2에서 75.5, ACL6060에서 81.2, RealSI-Sentence에서 84.7을 기록했다고 보고한다. 그에 비해 Qwen3.8-LiveTranslate는 88.4, 82.1, 80.5, 84.4를 기록하고, Gemini3.5-LiveTranslate는 92.4, 74.4, 82.6, 82.2를 기록하며, Seed-LiveInterpret2.0은 85.8, 67.7, 74.8, 80.0을 기록한다. 요약이 아니라 각 열을 읽어라. Hy-SimulMT는 오픈 시스템 가운데 FLEURS, ACL6060, RealSI-Sentence에서 이기고, CoVoST2에서는 Qwen에 6.6점 차로 지며, FLEURS에서는 Gemini에 2.1점 차로 진다. 카드에 적힌 문장 자체는 — FLEURS, ACL6060, RealSI-Sentence에서 다른 오픈소스 모델보다 높다는 — 범위를 신중하게 한정하고 있으며, 빠져 있는 벤치마크는 바로 이 모델이 가장 부진한 벤치마크다. 그 표의 모든 수치는 Tencent가 산출한 것이다. 어떤 독립 연구소도 이 모델을 실행해 본 적이 없다.

인간 비교는 헤드라인보다 더 면밀히 읽을 가치가 있다

Tencent는 또한 전문 통역사와의 동일 조건 비교도 의뢰했다. 2026년 9월 이후 온라인에 공개된 중국어 및 영어 녹음 18개로, 각각 약 6분 분량이며 소프트웨어와 의학에서 법률과 농업에 이르기까지 10개 분야에 걸쳐 있다. 이 녹음은 6명의 전문가가 통역했는데, 3명은 CATTI Level 1 자격증을, 3명은 Level 2 자격증을 보유하고 있었다. 각 자격증 등급별로 세 통역사 중 가장 우수한 통역사를 비교 기준으로 삼았다. 결론은 이 모델이 숙련된 인간 동시통역사와 동등한 품질에 도달하면서도 종종 더 빠르게 응답한다는 것이다.

이는 인상적인 결과이지만 작은 결과이기도 하며, 카드가 각주에 분명히 밝히듯 이 결과는 해당 샘플과 통역사, 그 환경에만 적용되며 음성 품질이나 목소리 유사성에 대한 평가는 아닙니다. 주목할 만한 방법론적 세부 사항이 두 가지 있습니다. 각 수준에서 최고 점수를 받은 통역사를 사용하는 것은 품질에 대해서는 높은 기준을 세우지만 지연 시간에 대해서는 고르지 않은 기준을 세웁니다. 비교 대상이 중간 수준의 전문가가 아니라 한 사람이기 때문입니다. 그리고 이 테스트는 정보 전달과 타이밍을 측정할 뿐, 대부분의 청자가 기계 음성에서 가장 먼저 알아차리는 것, 즉 사람처럼 들리는지를 측정하지는 않습니다.

리포지토리가 답하지 않는 것

구매자가 가장 먼저 물어볼 몇 가지 질문에는 아직 공개된 답이 없다. 호스팅 API도 가격도 없다. Tencent가 Tencent Cloud에 공개된 토큰당 요금으로 등록해 둔 Hy-MT2 제품군과 달리, Hy-SimulMT는 가중치만 제공되는 데다 모바일 앱까지 있는 형태이며, Hugging Face의 추론 제공자 패널에는 어떤 제공자도 배포하지 않은 것으로 표시되어 있다. 기술 보고서도 없고 Tencent 자체 평가 외의 벤치마크도 없다. 모델 카드에는 음성 출력과 음성 복제에 구성된 TTS 서비스가 필요하다고 명시되어 있으므로, "음성 대 음성"이라는 표현은 오디오를 출력하는 단일 체크포인트가 아니라 모델 주변에 조립된 시스템을 설명하는 것이다. llama.cpp 지원은 업스트림에 명시적으로 병합되지 않았다. 모델 카드는 GGUF 빌드가 공개되어 있음에도 모델을 지원하는 릴리스가 나올 때까지 기다리라고 권장하며, 샘플 환경 변수는 hymt-A3b-tgt_only-1019-Q8_0.gguf라는 이름의 체크포인트를 참조하는데, 이는 공개 모델 ID와 일치하지 않는 아티팩트 이름이다.

언어 메타데이터는 가장 혼란스러운 부분입니다. 저장소는 중국어와 영어부터 프랑스어, 아랍어, 크메르어, 티베트어, 카자흐어, 위구르어에 이르기까지 36개 언어를 태그로 지정합니다. 본문 설명에서는 중국어와 영어 간 양방향 음성 번역만을 문서화합니다. 추가 언어들이 음성 경로가 아니라 Hy-MT2에서 상속된 텍스트 백본에 속한다면 두 진술 모두 사실일 수 있지만, 모델 카드에는 그렇게 명시되어 있지 않으며, 일본어나 아랍어 배포를 계획하는 사람은 Tencent가 이를 문서화할 때까지 미확인 사항으로 취급해야 합니다.

직접 실행하는 것과 그에 드는 하드웨어 비용

문서화된 경로는 HYV3ForCausalLM 지원이 포함된 vLLM 0.31 이상과 simulst 패키지입니다. 단일 명령으로 환경을 프로비저닝하고 모델 서버와 웹/API 프런트 엔드를 각각 8800번과 8080번 포트에서 시작합니다. 프런트 엔드는 오디오 업로드, 마이크 또는 WebSocket 스트림을 받아들이며, TTS가 구성된 경우 번역된 오디오를 디스크에 기록합니다. 또한 기존 llama.cpp 서버(8080)를 대상으로 웹 계층을 8094번 포트에서 실행하는 llama.cpp 브리지가 있으며, 번역 전용과 원문+번역 체크포인트를 전환하는 MODEL_TYPE 스위치가 있습니다. 메모리가 실질적인 관문입니다. BF16의 304억 파라미터는 KV 캐시와 활성화를 제외하고 약 61GB의 가중치이므로, 단일 80GB 가속기가 현실적인 최소 사양이며 FP8 빌드가 더 작은 카드를 가능하게 합니다. 이는 파라미터 수에서 계산한 우리 수치이며, 카드에 명시되지 않은 Tencent의 최소 사양은 아닙니다.

통역이 번역 그 이상을 하는 회의 파이프라인을 가진 팀 — 녹취록 요약, 실행 항목 추출, 후속 초안 작성 — 에게 통역은 여러 단계 중 하나일 뿐이며, 그 이후 단계들은 그달그달 가장 뛰어난 공급업체들에 걸쳐 이루어지는 평범한 API 호출입니다. 바로 그 계층을 OrcaRouter가 담당합니다: 200개 이상의 모델을 위한 하나의 API로, 공급업체 목록 가격을 0% 마크업으로 그대로 전달하고, 공급업체에 문제가 생기면 자동으로 장애 조치하며, 단계를 구성하기 위한 라우팅 DSL을 제공합니다. Hy-SimulMT 자체는 저희 카탈로그에 없으며 저희가 호스팅하지도 않습니다. 요점은 주변 작업이 공급업체별로 별도의 계약을 필요로 하지 않는다는 것입니다.

이 평가를 바꿀 수 있는 것은 무엇입니까

판가름해 줄 정도가 큰 순서대로 세 가지를 지켜볼 만하다. 독립 평가 — IWSLT circuit은 매년 오픈 시스템에 대한 StreamLAAL 수치를 공개하는데, 이 가중치를 사용한 제출물은 모델 소유자가 산출하지 않은 첫 번째 수치가 될 것이다. 가격이 붙은 호스팅 엔드포인트 — 이는 Tencent가 이것을 인프라로 의도하는지 자사 앱의 기능으로 의도하는지를 알려줄 것이다. 그리고 llama.cpp 병합 — GGUF 빌드가 진짜 로컬 옵션인지 아니면 임시방편인지를 결정한다. 그때까지 솔직한 요약은 이렇다. Tencent는 우리가 본 것 중 가장 성능이 뛰어난 오픈 동시 음성 번역기를 공개했으며, 강력한 벤더 수치와 허용적인 라이선스를 갖췄지만 그중 어느 것도 외부에서 확인된 바는 없다 — 그리고 APEC 파트너십 발표 하루 전이라는 시점은 Tencent가 신경 쓰는 확인이 벤치마크 리더보드가 아니라 선전에서 휴대폰을 들고 있는 자원봉사자임을 시사한다.