Tencent создала переводчика с задержкой в три секунды и выпустила его без пресс-релиза

22 октября 2026 года в организации tencent на Hugging Face появились шесть репозиториев из нового семейства моделей. Тот, о котором идёт речь в этой статье, — это Hy-SimulMT-30B-A3B-Interleave, вариант, который выдаёт как распознанный исходный текст, так и перевод; его собрат Hy-SimulMT-30B-A3B выдаёт только перевод. Оба распространяются под лицензией Apache-2.0, оба имеют 30,4 млрд параметров и оба созданы для задачи, которую не мог выполнить ни один из предыдущих переводческих релизов Tencent: слушать китайскую или английскую речь по мере её произнесения и выдавать другой язык, пока предложение ещё не завершено. Через четыре дня у основного репозитория было ноль загрузок и два лайка. Не было ни поста в блоге Hunyuan, ни пресс-релиза, ни статьи на arXiv, ни строчки в каких-либо китайскоязычных материалах о переводческом бизнесе Tencent, которые выходили весь месяц. Единственное объявление — один пункт с датой в разделе News карточки модели, добавленный 26 октября, который гласит: выпущено.

Вся суть — в разрыве между тем, что умеют веса, и тем, насколько громко их опубликовали. Синхронный переводчик с задержкой около трёх секунд, доступный для скачивания по разрешительной лицензии, — это не рядовой релиз; это тот элемент, который превращает приложение-переводчик из чего-то, чем пользуешься по очереди, в то, что можно носить с собой на встрече. Самое вероятное объяснение молчания связано с календарём: 23 октября Tencent стала стратегическим партнёром 33-й встречи экономических лидеров АТЭС в Шэньчжэне — на следующий день после публикации весов, — а её приложение Hy Translate было названо официальным инструментом ИИ-перевода для волонтёров и сотрудников, работающих на этом мероприятии, которое проходит 18–19 ноября. Это вывод из публичных дат, а не то, что заявила Tencent. Далее отделено то, что доказывает репозиторий, от того, на что он лишь намекает.

Что на самом деле находится в репозитории

Архитектура представляет собой каузальную языковую модель с речевым вводом и текстовым выводом, помеченную hy_v3 и реализованную как HYV3SpeechForCausalLM. Конфигурация описывает разреженный стек смеси экспертов: 48 слоёв, размер скрытого слоя 2 048, 128 экспертов при скрытой размерности эксперта 768, восемь маршрутизируемых экспертов плюс один общий эксперт на токен и один плотный слой в начале. Индекс safetensors насчитывает 30 394 788 480 параметров в BF16, а ещё 6 016 хранятся в F32. Tencent нигде не раскрывает, что означает «A3B» в названии, но арифметика с этим согласуется: восемь маршрутизируемых экспертов плюс один общий при такой ширине эксперта дают примерно 3 млрд активных параметров на токен. Это наш расчёт по опубликованной конфигурации, а не цифра от производителя.

Аудиофронтенд находится в том же файле конфигурации, а не скрыт за конвейером: 128 мел-бинов, 24-слойный энкодер шириной 1 024, проецирующий в 2 048, частота дискретизации 16 кГц и максимум 480 000 сэмплов — тридцать секунд — на входное окно. Генерация по умолчанию использует temperature 0.0 и max_new_tokens = 64, что и ожидаешь от модели, предназначенной выдать короткий фрагмент переведённого текста и затем ждать следующего аудио. Максимальные позиционные эмбеддинги указаны как 262 144; карточка не публикует пригодную длину контекста, и для потокового аудио это число гораздо менее значимо, чем тридцатисекундное окно.

Шесть чекпойнтов выпущены за один раз: base и Interleave, каждый с FP8-сборкой и GGUF-сборкой. Файл лицензии — Apache-2.0 с обычной оговоркой о том, что входящие в комплект сторонние компоненты сохраняют собственные условия. В карточке модели указаны двенадцать участников, приведена ссылка на репозиторий GitHub, содержащий как сервис инференса под названием SimulInfer, так и набор инструментов для обучения под названием SimulTrain, а также дана ссылка на страницу продукта Tencent, а не на научную статью.

Показатель задержки и строка бенчмарка, которая подрывает заголовок

Утверждение, важное для синхронной модели, — это не качество перевода само по себе, а качество при заданной задержке. Tencent оценивает это на длинных аудиозаписях RealSI и сообщает о показателе StreamLAAL примерно в три секунды, описываемом как самый низкий среди сравниваемых систем, при этом оценка GEMBA выше, чем у open-source моделей в сравнении и у четырёх из пяти коммерческих API. StreamLAAL измеряет среднюю задержку между исходными и целевыми токенами в потоковом режиме; это не время до первого аудио, и в карточке это прямо указано. В карточке также не назван пятый коммерческий API, который превзошёл её по GEMBA.

Краткая таблица информативнее, потому что в одном столбце она менее лестна. На четырёх публичных бенчмарках Tencent сообщает для Hy-SimulMT результаты 90,3 на FLEURS, 75,5 на CoVoST2, 81,2 на ACL6060 и 84,7 на RealSI-Sentence. Для сравнения, Qwen3.8-LiveTranslate показывает 88,4, 82,1, 80,5 и 84,4; Gemini3.5-LiveTranslate — 92,4, 74,4, 82,6 и 82,2; Seed-LiveInterpret2.0 — 85,8, 67,7, 74,8 и 80,0. Читайте столбцы, а не резюме: среди открытых систем Hy-SimulMT выигрывает на FLEURS, ACL6060 и RealSI-Sentence, уступает Qwen на CoVoST2 6,6 балла и уступает Gemini на FLEURS 2,1. Фраза в самой карточке — выше, чем у других open-source моделей, на FLEURS, ACL6060 и RealSI-Sentence — тщательно ограничена по охвату, а пропущенный бенчмарк — как раз тот, где модель показывает худший результат. Все числа в этой таблице получены Tencent. Ни одна независимая лаборатория не запускала эту модель.

Сравнение с участием человека заслуживает более внимательного прочтения, чем заголовок.

Tencent также заказал сравнение на сопоставимых условиях с профессиональными переводчиками: восемнадцать записей на китайском и английском языках, опубликованных в интернете начиная с сентября 2026 года, каждая длительностью около шести минут, охватывающих десять предметных областей — от программного обеспечения и медицины до права и сельского хозяйства, — переведённых шестью специалистами: трое имеют сертификаты CATTI уровня 1 и трое — уровня 2. Для каждого уровня сертификации в качестве точки сравнения использовался лучший из трёх переводчиков. Вывод: модель достигает качества, сопоставимого с качеством опытных синхронных переводчиков-людей, при этом часто отвечает быстрее.

Это поразительный результат, но при этом и весьма скромный, о чём карточка прямо говорит в сноске: выводы относятся только к этим образцам, этим переводчикам и этим условиям и не являются оценкой качества речи или сходства голоса. Стоит запомнить две методологические детали. Использование самого высокооценённого переводчика на каждом уровне задаёт высокую планку для качества, но неравномерную для задержки, поскольку сравнение идёт с человеком, а не со среднестатистическим профессионалом. И тест измеряет передачу информации и тайминг, а не то, что большинство слушателей замечают в машинной речи в первую очередь, — а именно то, звучит ли она как человеческая.

На что не отвечает репозиторий

На несколько вопросов, которые покупатель задал бы в первую очередь, пока нет опубликованных ответов. {{1}}Нет ни хостируемого API, ни цены: в отличие от семейства Hy-MT2, которое Tencent размещает в Tencent Cloud по опубликованным тарифам за токен, Hy-SimulMT — это только веса плюс мобильное приложение, а в панели провайдеров инференса Hugging Face он указан как не развёрнутый ни одним провайдером.{{/1}} {{2}}Нет технического отчёта и нет бенчмарка за пределами собственной оценки Tencent. {{3}}В карточке указано, что для речевого вывода и клонирования голоса требуется настроенный сервис TTS, {{4}}поэтому формулировка «speech-to-speech» описывает систему, собранную вокруг модели, а не один чекпоинт, который выдаёт аудио.{{/4}}{{/3}}{{/2}} {{5}}Поддержка llama.cpp явно не влита в upstream — в карточке рекомендуется дождаться релиза, поддерживающего модель, хотя сборки GGUF опубликованы, а в примере переменной окружения указан чекпоинт с именем hymt-A3b-tgt_only-1019-Q8_0.gguf, то есть имя артефакта, которое не совпадает с публичными ID моделей.{{/5}}

Метаданные о языках — самая запутанная часть. В репозитории указано 36 языков — от китайского и английского до французского, арабского, кхмерского, тибетского, казахского и уйгурского. В тексте документации описан только двунаправленный перевод речи между китайским и английским. Оба утверждения могут быть верны, если дополнительные языки относятся к текстовому бэкбону, унаследованному от Hy-MT2, а не к речевой части, но в карточке этого не сказано, и любой, кто планирует развёртывание для японского или арабского, должен считать это неподтверждённым, пока Tencent не задокументирует это.

Запуск своими силами и во что это обходится по аппаратному обеспечению

Описанный путь — vLLM 0.31 или новее с поддержкой HYV3ForCausalLM, а также пакет simulst. Одна команда подготавливает окружение и запускает как сервер модели, так и веб-/API-интерфейс на портах 8800 и 8080 соответственно; интерфейс принимает загруженные аудиофайлы, микрофон или поток WebSocket и записывает переведённое аудио на диск, если настроен TTS. Есть также мост llama.cpp, который запускает веб-слой на порту 8094 и работает с существующим сервером llama.cpp на 8080, с переключателем MODEL_TYPE для чекпойнтов только перевода или исходного текста плюс перевода. Память — практическое ограничение: 30,4 млрд параметров в BF16 — это примерно 61 ГБ весов без учёта KV-кэша и активаций, поэтому один ускоритель на 80 ГБ — реалистичный минимум, а сборка FP8 делает жизнеспособной карту меньшего размера. Это наши расчёты исходя из числа параметров, а не минимальные требования Tencent, которые в карточке не указаны.

Для команд, чей конвейер встреч делает больше, чем просто перевод — суммирует транскрипт, извлекает задачи, готовит последующие материалы, — интерпретатор является лишь одним из нескольких этапов, а последующие этапы — это обычные вызовы API к тем поставщикам, которые окажутся лучшими в этом месяце. Именно этот слой покрывает OrcaRouter: один API для 200+ моделей с ценами поставщиков из прайс-листа, передаваемыми с 0%-ной наценкой, автоматическое переключение при сбое поставщика и DSL маршрутизации для компоновки этапов. Сам Hy-SimulMT отсутствует в нашем каталоге, и мы его не хостим; суть в том, что для окружающей работы не нужен отдельный договор с каждым поставщиком.

Что изменило бы эту оценку?

Три вещи заслуживают внимания — в порядке того, насколько они способны внести ясность. Независимая оценка: конкурс IWSLT ежегодно публикует показатели StreamLAAL для открытых систем, и заявка с использованием этих весов стала бы первым показателем, полученным не владельцем модели. Хостируемый эндпоинт с ценой, который позволил бы понять, намерен ли Tencent предлагать это как инфраструктуру или как функцию собственного приложения. И слияние в llama.cpp, которое решит, являются ли сборки GGUF реальной локальной опцией или заглушкой. До тех пор честная оценка такова: Tencent опубликовала самого мощного открытого синхронного речевого переводчика из всех, что мы видели, с сильными цифрами от вендора, разрешительной лицензией и без какого-либо внешнего подтверждения — а выбор момента, за день до объявления о партнёрстве на APEC, говорит о том, что подтверждение, которое важно для Tencent, — это доброволец в Шэньчжэне с телефоном в руках, а не таблица лидеров бенчмарков.