Tencent byggde en 3-sekundstolk och släppte den utan pressmeddelande.

Den 22 oktober 2026 dök sex repositorier i en ny modellfamilj upp under tencent-organisationen på Hugging Face. Den som den här artikeln handlar om är Hy-SimulMT-30B-A3B-Interleave, varianten som avger både den igenkända källtexten och översättningen; dess syskon Hy-SimulMT-30B-A3B avger endast översättningen. Båda är Apache-2.0, båda har 30,4 miljarder parametrar och båda är byggda för en uppgift som ingen av Tencents tidigare översättningsutgåvor kunde utföra: att lyssna på kinesiskt eller engelskt tal medan det talas och producera det andra språket medan meningen fortfarande pågår. Fyra dagar senare visade huvudrepot noll nedladdningar och två gilla-markeringar. Det fanns inget blogginlägg från Hunyuan, inget pressmeddelande, ingen arXiv-artikel och inte en rad i någon av den kinesiskspråkiga rapporteringen om Tencents översättningsverksamhet som hade pågått hela månaden. Det enda tillkännagivandet är en enda daterad punkt i modellkortets News-sektion, tillagd den 26 oktober, där det står: släpptes.

Glappet mellan vad vikterna gör och hur högljutt de släpptes är själva historien. En simultantolk med ungefär tre sekunders fördröjning, nedladdningsbar under en tillåtande licens, är inte en rutinmässig lansering – det är pusselbiten som förvandlar en översättningsapp från något man turas om med till något man kan ha på sig under ett möte. Den troligaste förklaringen till tystnaden finns i kalendern: Tencent blev strategisk partner för det 33:e APEC-mötet för ekonomiska ledare i Shenzhen den 23 oktober, dagen efter att vikterna lades upp, och dess app Hy Translate utsågs till det officiella AI-översättningsverktyget för volontärerna och personalen som arbetar på evenemanget, som pågår 18–19 november. Det är en slutsats utifrån offentliga datum, inte något som Tencent har sagt. Det som följer skiljer det som repositoriet bevisar från det som det bara antyder.

Vad finns egentligen i arkivet?

Arkitekturen är en kausal språkmodell med tal in och text ut, märkt hy_v3 och instansierad som HYV3SpeechForCausalLM. Konfigurationen specificerar en gles mixture-of-experts-stack: 48 lager, dold storlek 2 048, 128 experter med en dold expertdimension på 768, åtta routade experter plus en delad expert per token och ett enda dense-lager längst fram. Safetensors-indexet räknar 30 394 788 480 parametrar i BF16, med ytterligare 6 016 lagrade i F32. Tencent skriver aldrig ut A3B i namnet, men aritmetiken stämmer med det: åtta routade experter plus en delad, vid den expertbredden, ger ungefär 3 miljarder aktiva parametrar per token. Det är vår beräkning utifrån den publicerade konfigurationen, inte en leverantörssiffra.

Ljudfrontend finns i samma konfigurationsfil i stället för att vara dold bakom en pipeline: 128 mel-bins, en 24-lagrig encoder med bredd 1 024 som projicerar till 2 048, 16 kHz sampling och maximalt 480 000 sampel – trettio sekunder – per indatafönster. Generering använder som standard temperature 0.0 med max_new_tokens på 64, vilket är vad man kan förvänta sig av en modell som är utformad för att skicka ut en kort snutt översatt text och sedan vänta på mer ljud. Maximala position embeddings anges som 262 144; modellkortet publicerar ingen användbar kontextlängd, och för strömmande ljud är det talet långt mindre meningsfullt än trettio-sekundersfönstret.

Sex checkpoints levererades i ett svep: base och Interleave, var och en med en FP8-version och en GGUF-version. Licensfilen är Apache-2.0 med det vanliga undantaget att medföljande tredjepartskomponenter behåller sina egna villkor. Modellkortet namnger tolv bidragsgivare, länkar till ett GitHub-förråd som innehåller både en inferenstjänst som heter SimulInfer och en träningsverktygslåda som heter SimulTrain, och hänvisar till en Tencent-produktsida i stället för en artikel.

Latenssiffran, och benchmarkraden som undergräver rubriken

Det påstående som spelar roll för en simultanmodell är inte översättningskvalitet i sig – det är kvalitet vid en given fördröjning. Tencent utvärderar detta på RealSI långformat ljud och rapporterar en StreamLAAL på ungefär tre sekunder, beskriven som den lägsta bland de jämförda systemen, med en GEMBA-poäng över de jämförda öppen källkodsmodellerna och fyra av de fem kommersiella API:erna. StreamLAAL mäter den genomsnittliga fördröjningen mellan käll- och måltokens i ett strömningssammanhang; det är inte tid till första ljud, och kortet säger det uttryckligen. Kortet namnger inte heller det femte kommersiella API:et som överträffade den i GEMBA.

Kortformatstabellen är mer informativ eftersom den är mindre smickrande i en kolumn. På fyra offentliga benchmarkar redovisar Tencent Hy-SimulMT med 90,3 på FLEURS, 75,5 på CoVoST2, 81,2 på ACL6060 och 84,7 på RealSI-Sentence. Mot detta redovisar Qwen3.8-LiveTranslate 88,4, 82,1, 80,5 och 84,4; Gemini3.5-LiveTranslate redovisar 92,4, 74,4, 82,6 och 82,2; Seed-LiveInterpret2.0 redovisar 85,8, 67,7, 74,8 och 80,0. Läs kolumnerna i stället för sammanfattningen: Hy-SimulMT vinner FLEURS, ACL6060 och RealSI-Sentence bland öppna system, förlorar CoVoST2 mot Qwen med 6,6 poäng och förlorar FLEURS mot Gemini med 2,1. Kortets egen mening – högre än de andra öppen källkodsmodellerna på FLEURS, ACL6060 och RealSI-Sentence – är noggrant avgränsad, och det saknade benchmarktestet är det där den presterar sämst. Varje siffra i den tabellen togs fram av Tencent. Inget oberoende laboratorium har kört den här modellen.

Jämförelsen med människan förtjänar en närmare läsning än rubriken

Tencent beställde också en matchad jämförelse med professionella tolkar: arton inspelningar på kinesiska och engelska som publicerats online från september 2026 och framåt, var och en cirka sex minuter, som spänner över tio områden från programvara och medicin till juridik och jordbruk, tolkade av sex professionella tolkar — tre med CATTI Level 1-certifikat och tre med Level 2. För varje certifieringsnivå användes den bästa av de tre tolkarna som jämförelsepunkt. Slutsatsen är att modellen når en kvalitet i nivå med mänskliga experttolkar inom simultantolkning, samtidigt som den ofta svarar snabbare.

Det är ett slående resultat, och det är också ett litet sådant, vilket kortet uttryckligen säger i en fotnot: resultaten gäller endast dessa sampel, dessa tolkar och denna miljö och utgör inte en bedömning av talkvalitet eller röstlikhet. Två metodologiska detaljer är värda att hålla fast vid. Att använda den tolk som får högst poäng på varje nivå sätter en krävande måttstock för kvaliteten men en ojämn sådan för latensen, eftersom jämförelsen görs mot en person i stället för mot medianen bland yrkesverksamma. Och testet mäter informationsförmedling och timing, inte det som de flesta lyssnare lägger märke till först i maskinellt tal, nämligen om det låter som en människa.

Vad repositoryt inte besvarar

Flera frågor som en köpare först skulle ställa har ännu inget publicerat svar. Det finns inget hostat API och inget pris: till skillnad från Hy-MT2-familjen, som Tencent listar på Tencent Cloud med publicerade priser per token, är Hy-SimulMT endast vikter plus en mobilapp, och panelen för inferensleverantörer hos Hugging Face listar den som inte driftsatt av någon leverantör. Det finns ingen teknisk rapport och inget benchmark utanför Tencentsegen utvärdering. Modellkortet anger att talutdata och röstkloning kräver en konfigurerad TTS-tjänst, så inramningen "tal-till-tal" beskriver ett system som satts samman kring modellen, inte en enskild checkpoint som avger ljud. Stödet för llama.cpp är uttryckligen inte sammanslaget uppströms – modellkortet rekommenderar att vänta på en utgåva som stöder modellen, även om GGUF-byggen har publicerats, och exempelmiljövariabeln refererar till en checkpoint med namnet hymt-A3b-tgt_only-1019-Q8_0.gguf, ett artefaktnamn som inte matchar de offentliga modell-ID:na.

Språkmetadatan är den mest förvirrande delen. Repot taggar 36 språk, från kinesiska och engelska till franska, arabiska, khmer, tibetanska, kazakiska och uiguriska. Prosan dokumenterar endast dubbelriktad talöversättning mellan kinesiska och engelska. Båda påståendena kan vara sanna om de extra språken tillhör textryggraden som ärvts från Hy-MT2 snarare än talvägen, men kortet säger inte det, och den som planerar en japansk eller arabisk driftsättning bör betrakta det som obekräftat tills Tencent dokumenterar det.

Att köra det själv, och vad det kostar i hårdvara

Den dokumenterade vägen är vLLM 0.31 eller senare med stöd för HYV3ForCausalLM, plus paketet simulst. Ett enda kommando etablerar miljön och startar både modellservern och ett webb-/API-gränssnitt på portarna 8800 respektive 8080; gränssnittet tar emot ljuduppladdningar, en mikrofon eller en WebSocket-ström och skriver översatt ljud till disk när TTS är konfigurerat. Det finns också en llama.cpp-brygga som kör webbagret på port 8094 mot en befintlig llama.cpp-server på 8080, med en MODEL_TYPE-omkopplare för enbart översättning kontra checkpoints med källa plus översättning. Minne är den praktiska flaskhalsen: 30,4 miljarder parametrar i BF16 är ungefär 61 GB vikter före KV-cache och aktiveringar, så en enda accelerator på 80 GB är den realistiska miniminivån och FP8-bygget är det som gör ett mindre kort rimligt. Det är våra siffror utifrån parameterantalet, inte Tencent:s minimispecifikation, vilket kortet inte anger.

För team vars mötesflöde gör mer än att översätta – sammanfattar transkriptet, extraherar åtgärdspunkter, utformar uppföljningen – är tolken ett steg bland flera, och de senare stegen är vanliga API-anrop hos vilka leverantörer som råkar vara bäst den månaden. Det är det lager som OrcaRouter täcker: ett API för 200+ modeller med leverantörernas listpriser som skickas vidare till 0 % påslag, automatisk redundansväxling när en leverantör stöter på problem, och ett routnings-DSL för att sätta samman steg. Hy-SimulMT finns inte i vår katalog och vi har det inte själva; poängen är att arbetet runt omkring inte behöver ett separat avtal per leverantör.

Vad skulle förändra den här bedömningen?

Tre saker är värda att hålla ögonen på, i ordning efter hur mycket de skulle avgöra. En oberoende utvärdering – IWSLT-serien publicerar StreamLAAL-siffror för öppna system varje år, och ett bidrag som använder dessa vikter skulle vara den första siffran som inte tagits fram av modellens ägare. En hostad endpoint med ett pris, vilket skulle säga om Tencent avser detta som infrastruktur eller som en funktion i sin egen app. Och llama.cpp-sammanslagningen, som avgör om GGUF-byggena är ett riktigt lokalt alternativ eller en platshållare. Fram till dess är den ärliga sammanfattningen att Tencent har publicerat den mest kapabla öppna simultantolkande talöversättaren vi har sett, med starka leverantörssiffror, en tillåtande licens och ingen extern bekräftelse på något av det – och att tidpunkten, en dag före ett APEC-partnerskapsmeddelande, antyder att den bekräftelse Tencent bryr sig om är en volontär i Shenzhen som håller i en telefon, inte en benchmarktopplista.