Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: Um intérprete ao vivo contra uma pasta de especialistas

Imagine a mesma palestra de conferência tratada de duas maneiras. Na primeira, um microfone alimenta um reconhecedor automático de fala, a frase reconhecida vai para um modelo de tradução, a tradução vai para um sintetizador de fala, e o ouvinte ouve inglês alguns segundos depois de o falante ter dito o mandarim — com cada nome, número e sigla tendo sobrevivido a três chances separadas de ser deturpado. Na segunda, um único modelo escuta o áudio e emite a tradução à medida que a frase se desenrola. Hy-SimulMT-30B-A3B, lançado como pesos pela Tencent em 22 de outubro de 2026, foi criado para a segunda. Helsinki-NLP OPUS-MT é o sistema de tradução aberto mais amplamente implantado do mundo e foi criado para uma versão mais restrita da primeira: ele traduz texto, uma frase por vez, uma direção de idioma por checkpoint, e foi baixado centenas de milhares de vezes porque faz esse trabalho em uma CPU gratuitamente.

Esses dois não são rivais no sentido comum. Um é um modelo de fala de 30,4 bilhões de parâmetros que precisa de um acelerador; o outro é uma coleção de mais de mil checkpoints bilíngues de cerca de 70–80 milhões de parâmetros cada, a maioria deles com cerca de 300 MB, que rodam confortavelmente em um laptop. A comparação útil não é qual deles traduz melhor. É onde fica a fronteira entre um componente de tradução e um sistema de tradução, e quanto dessa fronteira você quer possuir.

O que cada um realmente é

O OPUS-MT é mantido pelo grupo de PNL da Universidade de Helsínquia e baseia-se na arquitetura codificador-descodificador MarianMT. Não é um modelo, mas um catálogo: checkpoints separados para chinês-inglês, inglês-chinês, inglês-alemão e várias centenas de outras direções, cada um treinado em corpora paralelos da coleção OPUS, cada um descarregável isoladamente. Só o checkpoint chinês-inglês foi descarregado quase meio milhão de vezes; a direção inversa registou cerca de 73 000. Existem variantes multilingues que agregam muitas línguas de origem num único modelo com o inglês como destino, mas o caso comum é um especialista restrito que sabe exatamente uma tarefa.

A arquitetura explica tanto sua virtude quanto seu limite. Um codificador-decodificador de 77 milhões de parâmetros treinado apenas em texto paralelo não tem espaço para conhecimento de mundo, não tem interface de instrução e não tem mecanismo para streaming. Dê a ele uma frase e ele retorna uma frase. Dê a ele um parágrafo e ele traduz o parágrafo como uma sequência de frases sem contexto compartilhado, e notas de engenharia publicadas relatam uma tendência a descartar conteúdo silenciosamente em entradas longas. Não é possível instruí-lo a manter um termo de glossário, preservar uma chave JSON ou adotar um registro formal — você trata esses casos com pré-processamento e pós-edição, ou com decodificação restrita, se estiver preparado para implementá-la.

Hy-SimulMT-30B-A3B é uma espécie diferente de objeto. Sua configuração descreve um modelo esparso de mistura de especialistas com 48 camadas, 128 especialistas, oito roteados mais um compartilhado por token, e um codificador de áudio de 24 camadas alimentando um backbone de largura 2.048. O "A3B" do nome não é expandido no card, mas a aritmética da configuração chega a aproximadamente 3 bilhões de parâmetros ativos contra 30,4 bilhões no total. Ele aceita áudio de 16 kHz em janelas de trinta segundos e produz texto traduzido; a variante Interleave também emite a transcrição da fonte. Text-to-speech e clonagem de voz são tratados por um serviço separado ao qual o kit de implantação se conecta, o que significa que o produto "speech-to-speech" é uma montagem, não um único arquivo.

O argumento da latência é, na verdade, um argumento de propagação de erro.

A latência é a diferença óbvia e a menos interessante. Uma cascata pode ser ajustada para ser rápida; um bom ASR de streaming com hipóteses parciais mais um pequeno modelo de MT pode produzir um fluxo de legendas utilizável bem menos de um segundo atrás do falante. O motivo de existirem modelos simultâneos é que a velocidade em uma cascata é obtida ao dar a cada etapa menos contexto, e cada etapa então comete erros que a próxima etapa não consegue ver. O reconhecedor ouve errado um nome próprio, o tradutor não tem como saber que era um nome, e o sintetizador pronuncia o erro com confiança. O ouvinte não tem como saber qual etapa falhou.

Um único modelo treinado de ponta a ponta na tarefa inteira pode, em princípio, adiar uma decisão até que o áudio resolva a ambiguidade, e pode manter a voz do falante se a clonagem de voz estiver habilitada. A alegação da Tencent é precisamente sobre essa compensação: um StreamLAAL de aproximadamente três segundos em áudio RealSI de formato longo, descrito como o mais baixo entre os sistemas comparados, com uma pontuação de qualidade GEMBA acima da dos modelos de código aberto em sua tabela e da de quatro das cinco APIs comerciais. Se três segundos é bom depende inteiramente do contexto — é muito tempo em uma negociação e pouco tempo em uma palestra —, mas é medido na tarefa de streaming, que é a tarefa que o OPUS-MT não consegue tentar sem uma cascata construída em torno dele.

Cobertura, contada com honestidade

É aqui que a pasta leva a melhor, de forma decisiva, e é justamente a parte que a maioria das comparações deixa nebulosa. Os mais de mil checkpoints do OPUS-MT abrangem cerca de cem idiomas em diversas direções, incluindo pares de baixos recursos que nenhum modelo multilíngue grande jamais viu. O Hy-SimulMT documenta a tradução de fala bidirecional entre chinês e inglês. Os metadados do repositório marcam 36 idiomas — entre eles francês, árabe, khmer, tibetano, cazaque e uigur —, mas o texto descritivo descreve apenas o par chinês-inglês, e nada no card explica a discrepância. A leitura mais provável é que as tags descrevam o backbone de texto herdado da família Hy-MT2, da Tencent, e não a capacidade de fala, mas isso é uma interpretação, não um fato publicado.

Então, a linha de cobertura honesta é: trinta e seis línguas declaradas nos metadados, duas línguas documentadas para fala, contra um catálogo de uma centena e tantas línguas em texto. Se a sua necessidade é mandarim para inglês em uma reunião ao vivo, o Hy-SimulMT é voltado exatamente para você. Se a sua necessidade é polonês para finlandês em um documento estático, o OPUS-MT tem um checkpoint para isso e o Hy-SimulMT não.

Evidência de qualidade: um lado tem números independentes, o outro tem uma tabela do fornecedor

As evidências independentes favorecem o OPUS-MT na questão restrita da qualidade da tradução de texto. Um estudo publicado sobre tradução de ladino fassano mediu um modelo OPUS-MT em 55,61 BLEU de italiano para inglês, contra 52,93 do NLLB-200 e 44,18 do M2M-100, e 44,35 de inglês para italiano, contra 40,13 e 32,40. A lição desse estudo é que um modelo treinado exclusivamente em uma direção ainda pode superar sistemas multilíngues muito maiores nessa direção. Ele não diz nada sobre fala e não envolve o Hy-SimulMT, porque nenhum laboratório independente avaliou o Hy-SimulMT.

Por outro lado, a Tencent relata 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 e 84,7 RealSI-Sentence para o Hy-SimulMT, todos provenientes da sua própria avaliação. Esses são benchmarks de tradução de fala, portanto não são comparáveis aos valores de BLEU acima, e não têm confirmação de terceiros. O único sinal interno digno de nota é que o modelo perde no CoVoST2 para o Qwen3.8-LiveTranslate por 6,6 pontos, enquanto vence nas outras três colunas entre os sistemas abertos — um lembrete de que um único número teria ocultado uma fraqueza real.

Custo e implantação, lado a lado

• Parâmetros — Hy-SimulMT-30B-A3B: 30,4B no total, aproximadamente 3B ativos, MoE esparso; Helsinki-NLP OPUS-MT: cerca de 70–80M por checkpoint, denso.

• Pegada de memória — Hy-SimulMT: aproximadamente 61 GB de pesos BF16 antes do cache KV, então um acelerador de 80 GB é o mínimo prático; builds em FP8 são publicadas. OPUS-MT: cerca de 300 MB por checkpoint, compatível com CPU.

• Modelo de latência — Hy-SimulMT: streaming, aproximadamente 3 s de StreamLAAL em áudio de longa duração. OPUS-MT: uma frase de cada vez; o streaming exige um ASR e uma política de segmentação que você constrói.

• Idiomas — Hy-SimulMT: chinês e inglês documentados para fala, 36 marcados nos metadados. OPUS-MT: cerca de cem idiomas em mais de mil checkpoints direcionais.

• Licença — Hy-SimulMT: Apache-2.0 para os pesos e o código da Tencent, com componentes de terceiros sob seus próprios termos. OPUS-MT: por checkpoint e não uniforme — o modelo chinês-inglês é CC-BY-4.0, o modelo inglês-chinês é Apache-2.0, inglês-alemão é CC-BY-4.0. Verifique o cartão específico antes de distribuir.

• API hospedada — Hy-SimulMT: nenhuma publicada. OPUS-MT: nenhuma; apenas pesos.

Esse último par é importante para compras. Nenhum dos modelos está no catálogo da OrcaRouter e não hospedamos nenhum deles — você mesmo hospeda os pesos ou usa o canal próprio do fornecedor. Onde o roteamento realmente se justifica é no restante do pipeline: o sumarizador de transcrições, o verificador de glossário, o pós-editor e o assistente de chat que cercam a etapa de tradução são chamadas de modelo comuns, e executá-los por meio de uma única API para mais de 200 modelos com 0% de acréscimo sobre os preços de tabela dos fornecedores evita um contrato separado por fornecedor. Tradução raramente é a única coisa que um produto de reuniões faz.

Qual deles se encaixa na sua stack

Escolha o OPUS-MT quando a entrada já for texto, a direção for fixa, o volume for alto e o orçamento for zero. Pipelines de documentos jurídicos, arquivos de legendas, catálogos de comércio eletrônico e tradução offline no navegador continuam sendo todos melhor atendidos por um especialista de 300 MB do que por um modelo de 30 bilhões de parâmetros, e a licença por checkpoint é a única coisa que você precisa auditar. Escolha o Hy-SimulMT quando a entrada for áudio e o ouvinte estiver esperando: reuniões ao vivo, palestras, entrevistas, interpretação de transmissão, qualquer contexto em que um atraso de três segundos e uma voz preservada valham a pena um acelerador e um serviço de TTS.

O erro a evitar é tratar isto como um concurso de qualidade. O OPUS-MT não perde para o Hy-SimulMT na tradução de texto; perde numa tarefa para a qual nunca foi concebido. E o Hy-SimulMT não substitui mil modelos bilingues cuidadosamente preparados por um único modelo engenhoso — substitui uma cascata que, de outro modo, teria de montar, ajustar e depurar você mesmo. São compras diferentes, e apenas uma delas vem numa pasta.