Hy-SimulMT-30B-A3B vs Helsinki-NLP OPUS-MT: живой переводчик против папки специалистов

Представьте один и тот же доклад на конференции, обрабатываемый двумя способами. В первом микрофон подаёт сигнал в систему автоматического распознавания речи, распознанное предложение поступает в модель перевода, перевод — в синтезатор речи, и слушатель слышит английский через несколько секунд после того, как говорящий произнёс фразу на мандаринском, — причём каждое имя, каждое число и каждая аббревиатура пережили три отдельные попытки искажения. Во втором единая модель слушает аудио и выдаёт перевод по мере того, как разворачивается предложение. Hy-SimulMT-30B-A3B, выпущенная компанией Tencent в виде весов 22 октября 2026 года, создана для второго способа. Helsinki-NLP OPUS-MT — самая распространённая открытая система перевода в мире, и она создана для более узкой версии первого способа: она переводит текст по одному предложению за раз, одно языковое направление на каждый чекпоинт, и её скачали сотни тысяч раз, потому что она выполняет эту работу на CPU бесплатно.

Эти двое не соперники в обычном смысле. Один — речевая модель с 30,4 млрд параметров, которой нужен ускоритель; другая — набор из более чем тысячи двуязычных контрольных точек примерно по 70–80 млн параметров каждая, большинство из которых весят около 300 МБ и комфортно работают на ноутбуке. Полезное сравнение здесь не в том, какая из них лучше переводит. Оно в том, где проходит граница между компонентом перевода и системой перевода и какую часть этой границы вы хотите контролировать.

Что каждый из них на самом деле из себя представляет

OPUS-MT поддерживается группой обработки естественного языка Университета Хельсинки и построен на архитектуре кодера-декодера MarianMT. Это не модель, а каталог: отдельные контрольные точки для китайско-английского, англо-китайского, англо-немецкого и нескольких сотен других направлений, каждая обучена на параллельных корпусах из коллекции OPUS и каждую можно скачать отдельно. Только китайско-английскую контрольную точку скачали почти полмиллиона раз; обратное направление — около 73 000 раз. Существуют многоязычные варианты, которые объединяют многие исходные языки в одну модель с целевым английским, но обычно это узкий специалист, который умеет ровно одну задачу.

Архитектура объясняет и её достоинство, и её потолок. Энкодер-декодер с 77 миллионами параметров, обученный только на параллельных текстах, не имеет места для знаний о мире, интерфейса инструкций и механизма потоковой обработки. Подайте ему предложение — и оно вернёт предложение. Подайте абзац — и оно переведёт абзац как последовательность предложений без общего контекста, а опубликованные инженерные заметки сообщают о склонности незаметно терять содержимое на длинных входных данных. Ему нельзя указать сохранить термин глоссария, сохранить ключ JSON или соответствовать формальному регистру — это решается предобработкой и постобработкой либо декодированием с ограничениями, если вы готовы его реализовать.

Hy-SimulMT-30B-A3B — это объект совершенно иного рода. Его конфигурация описывает разреженную модель mixture-of-experts с 48 слоями, 128 экспертами, восемью маршрутизируемыми и одним общим экспертом на токен, а также 24-слойный аудиокодер, подающий данные в магистраль шириной 2 048. «A3B» в названии не расшифровывается в карточке, но по арифметике конфигурации получается примерно 3 млрд активных параметров при 30,4 млрд общих. Модель принимает аудио 16 кГц тридцатисекундными окнами и выдаёт переведённый текст; вариант Interleave также выдаёт транскрипцию исходного текста. Синтез речи и клонирование голоса выполняются отдельным сервисом, к которому подключается инструментарий развёртывания, а значит, продукт «speech-to-speech» представляет собой сборку, а не один файл.

Аргумент о задержке на самом деле является аргументом о распространении ошибок.

Задержка — очевидное отличие и самое неинтересное. Каскад можно настроить так, чтобы он работал быстро; хорошая потоковая ASR с частичными гипотезами плюс небольшая модель машинного перевода может выдавать пригодный для использования поток субтитров с отставанием от говорящего заметно меньше секунды. Синхронные модели существуют потому, что скорость в каскаде достигается ценой уменьшения контекста на каждом этапе, и тогда каждый этап совершает ошибки, которых следующий этап не видит. Распознаватель ослышивается на имени собственном, переводчик никак не может узнать, что это было имя, а синтезатор уверенно произносит ошибку. Слушатель никак не может понять, какой этап дал сбой.

Единая модель, обученная сквозным образом на всей задаче, в принципе может отложить решение, пока аудио не разрешит неоднозначность, и может сохранить голос говорящего, если включено клонирование голоса. Заявление Tencent касается именно этого компромисса: StreamLAAL около трёх секунд на длинных аудиозаписях RealSI, описанный как самый низкий среди сравниваемых систем, при оценке качества GEMBA выше, чем у open-source моделей в её таблице и у четырёх из пяти коммерческих API. Хороши ли три секунды, полностью зависит от ситуации — это долго на переговорах и мало на лекции, — но измеряются они на потоковой задаче, а это та задача, за которую OPUS-MT не может взяться без каскада, построенного вокруг неё.

Покрытие, посчитанное честно

Здесь папка одерживает решительную победу, и именно эту часть большинство сравнений размывают. Более тысячи контрольных точек OPUS-MT охватывают около сотни языков по разным направлениям, включая пары с низким уровнем ресурсов, которых не видела ни одна крупная многоязычная модель. Hy-SimulMT документирует двунаправленный перевод речи между китайским и английским. Метаданные репозитория помечают 36 языков — среди них французский, арабский, кхмерский, тибетский, казахский и уйгурский, — но в тексте описывается только пара китайский — английский, и ничто в карточке не объясняет это расхождение. Наиболее вероятное прочтение состоит в том, что теги описывают текстовую основу, унаследованную от семейства Hy-MT2 компании Tencent, а не речевые возможности, но это интерпретация, а не опубликованный факт.

Итак, честная картина по покрытию такова: в метаданных заявлены тридцать шесть языков, для речи задокументированы два языка — на фоне каталога из ста с лишним языков для текста. Если ваша задача — перевод с мандаринского китайского на английский в ходе совещания в реальном времени, Hy-SimulMT рассчитан именно на вас. Если ваша задача — перевод с польского на финский в статическом документе, у OPUS-MT для этого есть чекпойнт, а у Hy-SimulMT — нет.

Доказательства качества: с одной стороны — независимые цифры, с другой — таблица поставщика.

Независимые данные свидетельствуют в пользу OPUS-MT в узком вопросе качества текстового перевода. Опубликованное исследование перевода с фассанского ладинского измерило модель OPUS-MT на уровне 55,61 BLEU при переводе с итальянского на английский против 52,93 у NLLB-200 и 44,18 у M2M-100, а также 44,35 при переводе с английского на итальянский против 40,13 и 32,40. Урок этого исследования состоит в том, что модель, обученная исключительно на одном направлении, всё ещё может превосходить гораздо более крупные многоязычные системы на этом направлении. Оно ничего не говорит о речи и не касается Hy-SimulMT, поскольку ни одна независимая лаборатория вообще не оценивала Hy-SimulMT.

С другой стороны, Tencent сообщает о 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 и 84,7 RealSI-Sentence для Hy-SimulMT — все по собственной оценке. Это бенчмарки перевода речи, поэтому они несопоставимы с приведёнными выше показателями BLEU и не имеют подтверждения от третьей стороны. Единственный внутренний сигнал, который стоит отметить: модель проигрывает Qwen3.8-LiveTranslate по CoVoST2 6,6 пункта, но выигрывает по трём другим столбцам среди открытых систем — напоминание о том, что одно-единственное число скрыло бы реальную слабость.

Стоимость и развёртывание — рядом

• Параметры — Hy-SimulMT-30B-A3B: всего 30,4 млрд, примерно 3 млрд активных, разреженная MoE; Helsinki-NLP OPUS-MT: около 70–80 млн на контрольную точку, плотная.

• Объём — Hy-SimulMT: примерно 61 ГБ весов BF16 до KV-кэша, поэтому 80-ГБ ускоритель — это практический минимум; опубликованы сборки FP8. OPUS-MT: около 300 МБ на чекпоинт, работает на CPU.

• Модель задержки — Hy-SimulMT: потоковый режим, примерно 3 с StreamLAAL на длинном аудио. OPUS-MT: по одному предложению за раз; для потоковой работы требуются ASR и политика сегментации, которую вы разрабатываете.

• Языки — Hy-SimulMT: китайский и английский задокументированы для речи, 36 помечены в метаданных. OPUS-MT: примерно сто языков в более чем тысяче направленных контрольных точек.

• Лицензия — Hy-SimulMT: Apache-2.0 для весов и кода Tencent, при этом сторонние компоненты регулируются их собственными условиями. OPUS-MT: лицензия зависит от контрольной точки и не является единой — модель для перевода с китайского на английский распространяется по CC-BY-4.0, модель для перевода с английского на китайский — по Apache-2.0, модель для перевода с английского на немецкий — по CC-BY-4.0. Перед выпуском проверьте карточку конкретной модели.

• API на хостинге — Hy-SimulMT: не опубликовано. OPUS-MT: отсутствует; только веса.

Эта последняя пара важна для закупок. Ни одной из этих моделей нет в каталоге OrcaRouter, и мы не размещаем ни одну из них — вы либо размещаете веса у себя, либо используете собственный канал поставщика. А вот где маршрутизация действительно оправдывает себя, так это в остальной части конвейера: суммаризатор транскриптов, проверщик глоссария, постредактор и чат-ассистент, которые окружают этап перевода, — это обычные вызовы моделей, а их запуск через один API для 200+ моделей при наценке 0% к прайс-листам провайдеров позволяет избежать отдельного договора с каждым поставщиком. Перевод редко бывает единственным, что делает продукт для совещаний.

Какой из них должен быть в вашем стеке

Выбирайте OPUS-MT, когда входные данные уже представляют собой текст, направление перевода фиксировано, объём большой, а бюджет нулевой. Конвейеры юридических документов, файлы субтитров, каталоги электронной коммерции и офлайн-перевод в браузере по-прежнему лучше обслуживаются специализированной моделью на 300 МБ, чем моделью с 30 миллиардами параметров, а лицензия на каждую контрольную точку — единственное, что вам нужно проверить. Выбирайте Hy-SimulMT, когда входные данные — аудио, а слушатель ждёт: живые встречи, лекции, интервью, синхронный перевод трансляций — любые условия, где трёхсекундная задержка и сохранённый голос стоят ускорителя и сервиса TTS.

Ошибка, которой нужно избежать, — воспринимать это как состязание по качеству. OPUS-MT не проигрывает Hy-SimulMT в переводе текста; он проигрывает в задаче, для которой его никогда не создавали. И Hy-SimulMT не заменяет тысячу старательно выверенных двуязычных моделей одной хитрой — она заменяет каскад, который иначе пришлось бы собирать, настраивать и отлаживать самому. Это разные покупки, и только одна из них поставляется в виде папки.