Tencent zbudował tłumacza z 3-sekundowym opóźnieniem i wypuścił go bez komunikatu prasowego

22 października 2026 r. w organizacji tencent na Hugging Face pojawiło się sześć repozytoriów nowej rodziny modeli. Ten, o którym mowa w tym artykule, to Hy-SimulMT-30B-A3B-Interleave, wariant generujący zarówno rozpoznany tekst źródłowy, jak i tłumaczenie; jego bliźniak Hy-SimulMT-30B-A3B generuje samo tłumaczenie. Oba są na licencji Apache-2.0, oba mają 30,4 miliarda parametrów i oba są stworzone do zadania, którego żadne z wcześniejszych wydań tłumaczeniowych Tencent nie potrafiło wykonać: słuchania mowy chińskiej lub angielskiej w trakcie jej wypowiadania i generowania drugiego języka, gdy zdanie jeszcze trwa. Cztery dni później główne repozytorium miało zero pobrań i dwa polubienia. Nie było wpisu na blogu Hunyuan, komunikatu prasowego, artykułu na arXiv ani wzmianki w żadnych chińskojęzycznych materiałach o działalności tłumaczeniowej Tencent, które ukazywały się przez cały miesiąc. Jedynym ogłoszeniem jest pojedynczy punkt z datą w sekcji News karty modelu, dodany 26 października, o treści: wydano.

Ta różnica między tym, co robią wagi, a tym, z jakim rozgłosem je opublikowano, jest sednem sprawy. Tłumacz symultaniczny z opóźnieniem około trzech sekund, dostępny do pobrania na permisywnej licencji, nie jest rutynowym wydaniem — to element, który zmienia aplikację tłumaczeniową z czegoś, z czego korzysta się na zmianę, w coś, co można założyć na spotkanie. Najbardziej prawdopodobne wyjaśnienie ciszy tkwi w kalendarzu: Tencent został partnerem strategicznym 33. Spotkania Przywódców Gospodarczych APEC w Shenzhen 23 października, dzień po opublikowaniu wag, a jego aplikacja Hy Translate została nazwana oficjalnym narzędziem tłumaczeniowym AI dla wolontariuszy i personelu pracujących przy tym wydarzeniu, które odbywa się 18–19 listopada. To wnioskowanie na podstawie publicznych dat, a nie coś, co powiedział Tencent. To, co następuje, oddziela to, co repozytorium dowodzi, od tego, co jedynie sugeruje.

Co tak naprawdę znajduje się w repozytorium

Architektura to przyczynowy model językowy typu mowa na wejściu, tekst na wyjściu, oznaczony tagiem hy_v3 i zinstancjonowany jako HYV3SpeechForCausalLM. Konfiguracja określa stos rzadkiej mieszaniny ekspertów: 48 warstw, rozmiar ukryty 2048, 128 ekspertów z wymiarem ukrytym eksperta 768, ośmiu ekspertów routowanych plus jeden ekspert współdzielony na token oraz pojedyncza warstwa gęsta na początku. Indeks safetensors wykazuje 30 394 788 480 parametrów w BF16, a dodatkowe 6016 przechowywane w F32. Tencent nigdy nie rozwija „A3B” w nazwie, ale arytmetyka jest z tym spójna: ośmiu ekspertów routowanych plus jeden współdzielony, przy tej szerokości eksperta, daje w przybliżeniu 3 miliardy aktywnych parametrów na token. To nasze obliczenie na podstawie opublikowanej konfiguracji, a nie dane dostawcy.

Front end audio znajduje się w tym samym pliku konfiguracyjnym, a nie jest ukryty za potokiem: 128 binów mel, 24-warstwowy enkoder o szerokości 1024, rzutujący na 2048, próbkowanie 16 kHz oraz maksymalnie 480 000 próbek — trzydzieści sekund — na okno wejściowe. Generowanie domyślnie używa temperatury 0.0 z max_new_tokens równym 64, czego można oczekiwać od modelu zaprojektowanego tak, by wygenerować krótki fragment przetłumaczonego tekstu, a następnie czekać na więcej dźwięku. Maksymalne osadzenia pozycyjne podano jako 262 144; karta nie podaje żadnej użytecznej długości kontekstu, a w przypadku dźwięku przesyłanego strumieniowo ta liczba ma znacznie mniejsze znaczenie niż trzydziestosekundowe okno.

W jednym wydaniu opublikowano sześć checkpointów: base i Interleave, każdy z buildem FP8 i buildem GGUF. Plik licencji to Apache-2.0 z typowym zastrzeżeniem, że dołączone komponenty stron trzecich zachowują własne warunki. Karta modelu wymienia dwunastu współtwórców, podaje link do repozytorium GitHub zawierającego zarówno usługę inferencji o nazwie SimulInfer, jak i zestaw narzędzi do trenowania o nazwie SimulTrain, oraz przywołuje stronę produktu Tencent zamiast artykułu.

Liczba opóźnienia i wiersz benchmarku, który podważa nagłówek

Twierdzenie istotne dla modelu tłumaczenia symultanicznego nie dotyczy jakości tłumaczenia w izolacji — lecz jakości przy danym opóźnieniu. Tencent ocenia to na długich nagraniach audio RealSI i podaje StreamLAAL na poziomie około trzech sekund, opisywany jako najniższy wśród porównywanych systemów, przy wyniku GEMBA wyższym niż w przypadku modeli open-source z porównania oraz czterech z pięciu komercyjnych API. StreamLAAL mierzy średnie opóźnienie między tokenami źródłowymi a docelowymi w trybie strumieniowym; nie jest to czas do pierwszego dźwięku, i karta mówi o tym wprost. Karta nie podaje także nazwy piątego komercyjnego API, które miało lepszy wynik GEMBA.

Tabela w skróconej formie jest bardziej informacyjna, ponieważ w jednej kolumnie wypada mniej pochlebnie. Na czterech publicznych benchmarkach Tencent podaje dla Hy-SimulMT wyniki 90.3 na FLEURS, 75.5 na CoVoST2, 81.2 na ACL6060 i 84.7 na RealSI-Sentence. Dla porównania Qwen3.8-LiveTranslate osiąga 88.4, 82.1, 80.5 i 84.4; Gemini3.5-LiveTranslate osiąga 92.4, 74.4, 82.6 i 82.2; Seed-LiveInterpret2.0 osiąga 85.8, 67.7, 74.8 i 80.0. Czytaj kolumny, a nie podsumowanie: Hy-SimulMT wygrywa na FLEURS, ACL6060 i RealSI-Sentence wśród systemów otwartych, przegrywa z Qwen na CoVoST2 o 6.6 punktu i przegrywa z Gemini na FLEURS o 2.1. Zdanie z samej karty — wynik wyższy niż w przypadku pozostałych modeli open-source na FLEURS, ACL6060 i RealSI-Sentence — jest starannie ograniczone zakresem, a brakujący benchmark to ten, na którym wypada najgorzej. Każda liczba w tej tabeli została wygenerowana przez Tencent. Żadne niezależne laboratorium nie uruchomiło tego modelu.

Porównanie z ludźmi zasługuje na wnikliwszą lekturę niż nagłówek.

Tencent zlecił również dopasowane porównanie z profesjonalnymi tłumaczami ustnymi: osiemnaście nagrań w języku chińskim i angielskim opublikowanych online od września 2026 r., każde około sześciu minut, obejmujących dziesięć dziedzin od oprogramowania i medycyny po prawo i rolnictwo, tłumaczonych przez sześciu profesjonalistów — trzech posiadających certyfikaty CATTI poziomu 1 i trzech posiadających poziom 2. Dla każdego poziomu certyfikacji jako punkt odniesienia przyjęto najlepszego z trzech tłumaczy. Wniosek jest taki, że model osiąga jakość na poziomie ekspertów tłumaczy symultanicznych, a często reaguje szybciej.

To uderzający wynik, ale też niewielki, co karta mówi wprost w przypisie: ustalenia dotyczą tylko tych próbek, tych tłumaczy i tego otoczenia, i nie stanowią oceny jakości mowy ani podobieństwa głosu. Warto zapamiętać dwa szczegóły metodologiczne. Użycie najlepiej ocenianego tłumacza na każdym poziomie stawia wysoką poprzeczkę jakości, ale nierówną pod względem opóźnienia, ponieważ porównanie odbywa się z człowiekiem, a nie z przeciętnym profesjonalistą. A test mierzy przekazywanie informacji i czasowanie, a nie to, co większość słuchaczy zauważa najpierw w mowie maszynowej, czyli czy brzmi ona jak człowiek.

Na co repozytorium nie odpowiada

Na kilka pytań, które kupujący zadałby na wstępie, nie ma jeszcze opublikowanej odpowiedzi. Nie ma hostowanego API ani ceny: w przeciwieństwie do rodziny Hy-MT2, którą Tencent wymienia w Tencent Cloud z opublikowanymi stawkami za token, Hy-SimulMT to wyłącznie wagi plus aplikacja mobilna, a panel dostawców wnioskowania Hugging Face wskazuje, że nie jest wdrożony przez żadnego dostawcę. Nie ma raportu technicznego ani benchmarku poza własną ewaluacją Tencent. Karta modelu stwierdza, że wyjście mowy i klonowanie głosu wymagają skonfigurowanej usługi TTS, więc określenie „mowa do mowy” opisuje system złożony wokół modelu, a nie pojedynczy checkpoint, który emituje dźwięk. Obsługa llama.cpp wyraźnie nie została scalona z upstreamem — karta zaleca poczekać na wydanie obsługujące ten model, mimo że kompilacje GGUF są publikowane, a przykładowa zmienna środowiskowa odwołuje się do checkpointu o nazwie hymt-A3b-tgt_only-1019-Q8_0.gguf, czyli nazwy artefaktu niezgodnej z publicznymi identyfikatorami modeli.

Metadane językowe to najbardziej myląca część. Repozytorium oznacza 36 języków, od chińskiego i angielskiego po francuski, arabski, khmerski, tybetański, kazachski i ujgurski. Tekst opisowy dokumentuje tłumaczenie mowy dwukierunkowo wyłącznie między chińskim a angielskim. Oba stwierdzenia mogą być prawdziwe, jeśli dodatkowe języki należą do szkieletu tekstowego odziedziczonego po Hy-MT2, a nie do ścieżki mowy, ale karta tego nie mówi, a każdy, kto planuje wdrożenie japońskiego lub arabskiego, powinien traktować to jako niepotwierdzone, dopóki Tencent tego nie udokumentuje.

Uruchamianie tego samodzielnie i ile to kosztuje w sprzęcie

Udokumentowana ścieżka to vLLM 0.31 lub nowszy z obsługą HYV3ForCausalLM oraz pakiet simulst. Jedno polecenie przygotowuje środowisko i uruchamia zarówno serwer modelu, jak i interfejs webowy/API odpowiednio na portach 8800 i 8080; interfejs przyjmuje przesyłane pliki audio, dane z mikrofonu lub strumień WebSocket i zapisuje przetłumaczone audio na dysk, gdy skonfigurowano TTS. Istnieje także mostek llama.cpp, który uruchamia warstwę webową na porcie 8094 wobec istniejącego serwera llama.cpp na porcie 8080, z przełącznikiem MODEL_TYPE dla checkpointów przeznaczonych wyłącznie do tłumaczenia albo zawierających źródło i tłumaczenie. Pamięć jest praktycznym ograniczeniem: 30,4 mld parametrów w BF16 to około 61 GB wag przed uwzględnieniem pamięci podręcznej KV i aktywacji, więc pojedynczy akcelerator 80 GB to realistyczne minimum, a wersja FP8 sprawia, że mniejsza karta staje się realna. To nasze obliczenia na podstawie liczby parametrów, a nie minimalna specyfikacja Tencent, której karta nie podaje.

Dla zespołów, których pipeline spotkań robi więcej niż tylko tłumaczy — streszcza transkrypcję, wyciąga zadania do wykonania, redaguje follow-up — interpreter jest jednym z kilku etapów, a te późniejsze etapy to zwykłe wywołania API u tych dostawców, którzy akurat w danym miesiącu okazują się najlepsi. To właśnie warstwa, którą obejmuje OrcaRouter: jedno API dla ponad 200 modeli z cenami katalogowymi dostawców przekazywanymi przy 0% marży, automatycznym przełączaniem awaryjnym, gdy dostawca zawiedzie, oraz DSL routingu do komponowania etapów. Sam Hy-SimulMT nie znajduje się w naszym katalogu i nie hostujemy go; chodzi o to, że otaczająca praca nie wymaga osobnej umowy dla każdego dostawcy.

Co zmieniłoby tę ocenę?

Trzy rzeczy są warte obserwacji, w kolejności według tego, ile by rozstrzygnęły. Niezależna ewaluacja — cykl IWSLT co roku publikuje liczby StreamLAAL dla otwartych systemów, a zgłoszenie wykorzystujące te wagi byłoby pierwszą liczbą niewygenerowaną przez właściciela modelu. Hostowany punkt końcowy z ceną, który powiedziałby, czy Tencent zamierza traktować to jako infrastrukturę, czy jako funkcję własnej aplikacji. Oraz scalenie w projekcie llama.cpp, które rozstrzyga, czy kompilacje GGUF są realną opcją lokalną, czy atrapą. Do tego czasu uczciwe podsumowanie brzmi: Tencent opublikował najbardziej zaawansowanego otwartego tłumacza mowy symultanicznej, jakiego widzieliśmy, z mocnymi liczbami producenta, liberalną licencją i bez żadnego zewnętrznego potwierdzenia czegokolwiek z tego — a moment publikacji, dzień przed ogłoszeniem partnerstwa APEC, sugeruje, że potwierdzeniem, na którym Tencentowi zależy, jest ochotnik w Shenzhen trzymający telefon, a nie ranking benchmarków.