Tencent สร้างล่ามที่ทำงานภายใน 3 วินาที และเปิดตัวโดยไม่มีการแถลงข่าว

เมื่อวันที่ 22 ตุลาคม 2026 มีรีโพซิทอรีหกแห่งในตระกูลโมเดลใหม่ปรากฏขึ้นภายใต้องค์กร tencent บน Hugging Face ตัวที่บทความนี้กล่าวถึงคือ Hy-SimulMT-30B-A3B-Interleave ซึ่งเป็นเวอร์ชันที่ส่งออกทั้งข้อความต้นฉบับที่รู้จำได้และคำแปล ขณะที่รุ่นพี่น้อง Hy-SimulMT-30B-A3B ส่งออกเฉพาะคำแปล ทั้งคู่เป็น Apache-2.0 ทั้งคู่มี 30.4 พันล้านพารามิเตอร์ และทั้งคู่ถูกสร้างมาเพื่องานที่ไม่มีรุ่นแปลภาษาก่อนหน้าของ Tencent ทำได้ นั่นคือการฟังเสียงพูดภาษาจีนหรืออังกฤษขณะที่กำลังพูด และสร้างอีกภาษาหนึ่งออกมาขณะประโยคยังพูดไม่จบ สี่วันต่อมา รีโพซิทอรีหลักมียอดดาวน์โหลดเป็นศูนย์และมีไลก์สองครั้ง ไม่มีโพสต์บล็อก Hunyuan ไม่มีข่าวประชาสัมพันธ์ ไม่มีบทความ arXiv และไม่มีแม้แต่บรรทัดเดียวในสื่อภาษาจีนที่รายงานเกี่ยวกับธุรกิจการแปลของ Tencent ซึ่งดำเนินมาตลอดทั้งเดือน ประกาศเดียวคือบูลเล็ตที่มีวันที่เพียงรายการเดียวในส่วน News ของการ์ดโมเดล ซึ่งเพิ่มเมื่อวันที่ 26 ตุลาคม และระบุว่า: เผยแพร่แล้ว

ช่องว่างระหว่างสิ่งที่ค่าน้ำหนักทำได้กับความอึกทึกตอนที่มันถูกเผยแพร่ออกมาคือเรื่องราวทั้งหมด ล่ามแปลแบบพร้อมกันที่หน่วงประมาณสามวินาทีและดาวน์โหลดได้ภายใต้สัญญาอนุญาตแบบเปิดกว้างไม่ใช่การปล่อยออกมาธรรมดา ๆ — มันคือชิ้นส่วนที่เปลี่ยนแอปแปลภาษาจากสิ่งที่คุณต้องผลัดกันใช้ให้กลายเป็นสิ่งที่คุณพกเข้าไปใช้ในที่ประชุมได้ คำอธิบายที่เป็นไปได้มากที่สุดสำหรับความเงียบนี้อยู่ที่ปฏิทิน: Tencent กลายเป็นพันธมิตรเชิงกลยุทธ์ของการประชุมผู้นำเขตเศรษฐกิจ APEC ครั้งที่ 33 ที่เมืองเชินเจิ้นเมื่อวันที่ 23 ตุลาคม ซึ่งเป็นวันถัดจากวันที่ค่าน้ำหนักถูกเผยแพร่ขึ้นระบบ และแอป Hy Translate ของบริษัทได้รับเลือกให้เป็นเครื่องมือแปลภาษาด้วย AI อย่างเป็นทางการสำหรับอาสาสมัครและเจ้าหน้าที่ที่ทำงานในงานดังกล่าว ซึ่งจัดขึ้นระหว่างวันที่ 18–19 พฤศจิกายน นั่นเป็นการอนุมานจากวันที่ที่เปิดเผยต่อสาธารณะ ไม่ใช่สิ่งที่ Tencent กล่าวไว้ สิ่งที่ตามมาจะแยกให้เห็นว่าอะไรคือสิ่งที่คลังโค้ดพิสูจน์ได้ กับอะไรที่เป็นเพียงสิ่งที่มันบอกเป็นนัย

จริงๆ แล้วมีอะไรอยู่ในรีโพซิทอรี

สถาปัตยกรรมนี้เป็นแบบจำลองภาษาศาสตร์เชิงสาเหตุแบบรับเสียงเข้าและส่งข้อความออก ติดแท็กว่า hy_v3 และสร้างอินสแตนซ์เป็น HYV3SpeechForCausalLM การกำหนดค่าอธิบายโครงข่าย mixture-of-experts แบบ sparse ไว้อย่างชัดเจน: 48 เลเยอร์, ขนาด hidden 2,048, ผู้เชี่ยวชาญ 128 ราย โดยมีมิติ hidden ของผู้เชี่ยวชาญเป็น 768, ผู้เชี่ยวชาญแบบ routed แปดรายบวกผู้เชี่ยวชาญแบบ shared หนึ่งรายต่อโทเค็น และเลเยอร์ dense หนึ่งชั้นที่ด้านหน้า ดัชนี safetensors นับพารามิเตอร์ได้ 30,394,788,480 ตัวใน BF16 โดยมีอีก 6,016 ตัวจัดเก็บใน F32 Tencent ไม่เคยขยายความ "A3B" ในชื่อ แต่การคำนวณสอดคล้องกับสิ่งนั้น: ผู้เชี่ยวชาญแบบ routed แปดรายบวก shared หนึ่งราย ที่ความกว้างผู้เชี่ยวชาญดังกล่าว คำนวณออกมาได้ประมาณ 3 พันล้านพารามิเตอร์ที่ใช้งานต่อโทเค็น นี่คือการคำนวณของเราจากคอนฟิกที่เผยแพร่ ไม่ใช่ตัวเลขจากผู้จำหน่าย

ฟรอนต์เอนด์เสียงอยู่ในไฟล์คอนฟิกเดียวกันแทนที่จะซ่อนอยู่หลังไพป์ไลน์: mel bins 128 ช่อง, เอนโคเดอร์ 24 เลเยอร์ที่ความกว้าง 1,024 ซึ่งโปรเจกต์ไปที่ 2,048, การสุ่มตัวอย่าง 16 kHz และสูงสุด 480,000 แซมเปิล — สามสิบวินาที — ต่อหน้าต่างอินพุต การสร้างใช้ค่าเริ่มต้นที่ temperature 0.0 โดยมี max_new_tokens เท่ากับ 64 ซึ่งเป็นสิ่งที่คาดได้จากโมเดลที่ออกแบบมาเพื่อส่งข้อความแปลสั้น ๆ แล้วรอเสียงเพิ่มเติม จำนวนการฝังตำแหน่งสูงสุดระบุไว้ที่ 262,144; การ์ดไม่ได้เผยแพร่ความยาวคอนเท็กซ์ที่ใช้งานได้ และสำหรับเสียงแบบสตรีมมิ่ง ตัวเลขนั้นมีความหมายน้อยกว่าหน้าต่างสามสิบวินาทีมาก

ปล่อยเช็กพอยต์พร้อมกันในคราวเดียวหกตัว ได้แก่ base และ Interleave โดยแต่ละตัวมีบิลด์ FP8 และบิลด์ GGUF ไฟล์สัญญาอนุญาตเป็น Apache-2.0 พร้อมข้อยกเว้นตามปกติว่าองค์ประกอบบุคคลที่สามที่รวมมาด้วยยังคงใช้ข้อกำหนดของตนเอง การ์ดโมเดลระบุชื่อผู้มีส่วนร่วมสิบสองคน ลิงก์ไปยังที่เก็บ GitHub ที่มีทั้งบริการอนุมานชื่อ SimulInfer และชุดเครื่องมือฝึกอบรมชื่อ SimulTrain และอ้างอิงหน้าผลิตภัณฑ์ของ Tencent แทนบทความวิชาการ

ตัวเลขความหน่วง และแถวเบนช์มาร์กที่บั่นทอนข้อความพาดหัว

ข้อกล่าวอ้างที่สำคัญสำหรับโมเดลแบบแปลพร้อมกันไม่ใช่คุณภาพการแปลโดยลำพัง แต่เป็นคุณภาพ ณ ความหน่วงที่กำหนด Tencent ประเมินเรื่องนี้บนเสียงยาว RealSI และรายงานค่า StreamLAAL ประมาณสามวินาที ซึ่งระบุว่าเป็นค่าที่ต่ำที่สุดในบรรดาระบบที่นำมาเปรียบเทียบ โดยมีคะแนน GEMBA สูงกว่าโมเดลโอเพนซอร์สในการเปรียบเทียบ และสูงกว่า API เชิงพาณิชย์สี่ในห้าราย StreamLAAL วัดความหน่วงเฉลี่ยระหว่างโทเคนต้นทางและโทเคนปลายทางในสภาพแวดล้อมแบบสตรีมมิ่ง ไม่ใช่เวลาถึงเสียงแรก และการ์ดระบุเช่นนั้นอย่างชัดเจน นอกจากนี้ การ์ดยังไม่ได้ระบุชื่อ API เชิงพาณิชย์รายที่ห้าที่เอาชนะมันได้ใน GEMBA

ตารางแบบสั้นให้ข้อมูลมากกว่า เพราะคอลัมน์หนึ่งไม่ได้ทำให้ผลลัพธ์ดูดีเกินจริง บน benchmark สาธารณะสี่ชุด Tencent รายงานว่า Hy-SimulMT ได้ 90.3 บน FLEURS, 75.5 บน CoVoST2, 81.2 บน ACL6060 และ 84.7 บน RealSI-Sentence เมื่อเทียบกัน Qwen3.8-LiveTranslate ได้ 88.4, 82.1, 80.5 และ 84.4; Gemini3.5-LiveTranslate ได้ 92.4, 74.4, 82.6 และ 82.2; Seed-LiveInterpret2.0 ได้ 85.8, 67.7, 74.8 และ 80.0 อ่านจากคอลัมน์แทนที่จะอ่านจากบทสรุป: Hy-SimulMT ชนะใน FLEURS, ACL6060 และ RealSI-Sentence ในกลุ่มระบบเปิด แพ้ CoVoST2 ให้ Qwen 6.6 คะแนน และแพ้ FLEURS ให้ Gemini 2.1 คะแนน ประโยคบนการ์ดของโมเดลเอง — สูงกว่าโมเดลโอเพนซอร์สอื่น ๆ บน FLEURS, ACL6060 และ RealSI-Sentence — ถูกกำหนดขอบเขตไว้อย่างระมัดระวัง และ benchmark ที่หายไปคือชุดที่โมเดลนี้ทำได้แย่ที่สุด ตัวเลขทุกตัวในตารางนั้นมาจาก Tencent ไม่มีห้องปฏิบัติการอิสระใดทดลองรันโมเดลนี้

การเปรียบเทียบกับมนุษย์ควรได้รับการอ่านอย่างละเอียดมากกว่าที่พาดหัวข่าวบอก

Tencent ยังได้ว่าจ้างให้ทำการเปรียบเทียบแบบจับคู่กับล่ามมืออาชีพ โดยใช้ไฟล์เสียงภาษาจีนและภาษาอังกฤษ 18 รายการที่เผยแพร่ออนไลน์ตั้งแต่เดือนกันยายน 2026 เป็นต้นไป แต่ละรายการยาวประมาณ 6 นาที ครอบคลุม 10 สาขา ตั้งแต่ซอฟต์แวร์และการแพทย์ไปจนถึงกฎหมายและการเกษตร ซึ่งแปลโดยผู้เชี่ยวชาญ 6 คน โดย 3 คนถือใบรับรอง CATTI Level 1 และอีก 3 คนถือ Level 2 สำหรับแต่ละระดับการรับรอง ใช้ล่ามที่ดีที่สุดในบรรดาสามคนเป็นจุดเปรียบเทียบ ข้อสรุปคือโมเดลมีคุณภาพทัดเทียมล่ามพูดพร้อมที่เป็นมนุษย์ผู้เชี่ยวชาญ ในขณะที่มักตอบสนองได้เร็วกว่า

นั่นเป็นผลลัพธ์ที่น่าสนใจ และยังเป็นผลลัพธ์เล็ก ๆ ด้วย ซึ่งการ์ดระบุไว้อย่างชัดเจนในเชิงอรรถ: ผลการค้นพบใช้ได้เฉพาะกับตัวอย่างเหล่านั้น ล่ามเหล่านั้น และการตั้งค่านั้นเท่านั้น และไม่ถือเป็นการประเมินคุณภาพเสียงพูดหรือความคล้ายของเสียง มีรายละเอียดเชิงระเบียบวิธีสองประการที่ควรจดจำไว้ การใช้ล่ามที่ได้คะแนนสูงสุดในแต่ละระดับกำหนดมาตรฐานที่ท้าทายสำหรับคุณภาพ แต่เป็นมาตรฐานที่ไม่สม่ำเสมอสำหรับเวลาแฝง เนื่องจากการเปรียบเทียบทำกับบุคคลหนึ่ง ไม่ใช่กับค่ามัธยฐานของผู้เชี่ยวชาญ และการทดสอบวัดการส่งผ่านข้อมูลและการจับเวลา ไม่ใช่สิ่งที่ผู้ฟังส่วนใหญ่สังเกตเห็นเป็นอย่างแรกในเสียงพูดของเครื่อง ซึ่งก็คือเสียงนั้นฟังดูเหมือนคนหรือไม่

สิ่งที่ repository ไม่ได้ตอบ

คำถามหลายข้อที่ผู้ซื้อจะถามเป็นอันดับแรกยังไม่มีคำตอบที่เผยแพร่ ยังไม่มี API แบบโฮสต์และไม่มีราคา ต่างจากตระกูล Hy-MT2 ซึ่ง Tencent ลงรายการบน Tencent Cloud ในอัตราต่อโทเคนที่ประกาศไว้ Hy-SimulMT เป็นแบบ weights-only พร้อมแอปมือถือ และแผง inference-provider ของ Hugging Face ระบุว่ายังไม่ถูกดีพลอยโดยผู้ให้บริการรายใด ยังไม่มีรายงานทางเทคนิคและไม่มี benchmark นอกเหนือจากการประเมินของ Tencent เอง การ์ดระบุว่าเอาต์พุตเสียงและการโคลนเสียงต้องใช้บริการ TTS ที่กำหนดค่าไว้ ดังนั้นกรอบคำว่า “speech-to-speech” จึงอธิบายระบบที่ประกอบขึ้นรอบโมเดล ไม่ใช่ checkpoint เดียวที่ส่งออกเสียง การรองรับ llama.cpp ระบุชัดเจนว่ายังไม่ถูก merge upstream — การ์ดแนะนำให้รอรีลีสที่รองรับโมเดลนี้ แม้ว่าจะมีการเผยแพร่บิลด์ GGUF แล้ว และตัวแปรสภาพแวดล้อมตัวอย่างอ้างอิงถึง checkpoint ชื่อ hymt-A3b-tgt_only-1019-Q8_0.gguf ซึ่งเป็นชื่ออาร์ติแฟกต์ที่ไม่ตรงกับ model ID สาธารณะ

ข้อมูลเมตาด้านภาษาถือเป็นส่วนที่สับสนที่สุด โดยรีโพซิทอรีติดแท็กภาษาไว้ 36 ภาษา ตั้งแต่จีนและอังกฤษ ไปจนถึงฝรั่งเศส อาหรับ เขมร ทิเบต คาซัค และอุยกูร์ ส่วนข้อความบรรยายระบุเพียงการแปลเสียงแบบสองทิศทางระหว่างจีนกับอังกฤษเท่านั้น ข้อความทั้งสองส่วนจะเป็นจริงได้ทั้งคู่หากภาษาที่เพิ่มเติมนั้นเป็นส่วนหนึ่งของแกนข้อความที่สืบทอดมาจาก Hy-MT2 ไม่ใช่เส้นทางการประมวลผลเสียง แต่การ์ดโมเดลไม่ได้ระบุไว้เช่นนั้น และผู้ที่วางแผนจะติดตั้งใช้งานภาษาญี่ปุ่นหรืออาหรับควรถือว่ายังไม่ได้รับการยืนยันจนกว่า Tencent จะจัดทำเอกสารยืนยัน

การรันด้วยตัวเอง และต้นทุนด้านฮาร์ดแวร์ที่ต้องแลก

เส้นทางที่เอกสารระบุคือ vLLM 0.31 หรือใหม่กว่า ซึ่งรองรับ HYV3ForCausalLM พร้อมแพ็กเกจ simulst คำสั่งเดียวจะจัดเตรียมสภาพแวดล้อมและเริ่มทั้งเซิร์ฟเวอร์โมเดลและส่วนหน้าเว็บ/API บนพอร์ต 8800 และ 8080 ตามลำดับ ส่วนหน้าจะรับการอัปโหลดไฟล์เสียง ไมโครโฟน หรือสตรีมผ่าน WebSocket และเขียนเสียงที่แปลแล้วลงดิสก์เมื่อกำหนดค่า TTS ไว้ นอกจากนี้ยังมีบริดจ์ llama.cpp ที่รันเลเยอร์เว็บบนพอร์ต 8094 กับเซิร์ฟเวอร์ llama.cpp ที่มีอยู่บนพอร์ต 8080 โดยมีสวิตช์ MODEL_TYPE สำหรับเช็กพอยต์แบบแปลอย่างเดียวเทียบกับแบบต้นฉบับพร้อมคำแปล หน่วยความจำเป็นข้อจำกัดในทางปฏิบัติ: พารามิเตอร์ 3.04 หมื่นล้านตัวใน BF16 คิดเป็นน้ำหนักประมาณ 61 GB ก่อนรวม KV cache และแอกติเวชัน ดังนั้นแอ็กเซลเลอเรเตอร์ 80 GB หนึ่งตัวจึงเป็นขั้นต่ำที่เป็นจริง และบิลด์ FP8 คือสิ่งที่ทำให้การ์ดที่เล็กกว่าเป็นไปได้ ตัวเลขเหล่านี้เป็นตัวเลขของเราที่คำนวณจากจำนวนพารามิเตอร์ ไม่ใช่ข้อกำหนดขั้นต่ำของ Tencent ซึ่งการ์ดไม่ได้ระบุไว้

สำหรับทีมที่ไปป์ไลน์การประชุมของตนทำมากกว่าแค่แปล — ไม่ว่าจะเป็นการสรุปบทถอดเสียง การดึงรายการสิ่งที่ต้องทำ หรือการร่างข้อความติดตามผล — ล่ามเป็นเพียงขั้นตอนหนึ่งท่ามกลางหลายขั้นตอน และขั้นตอนที่ตามมาทีหลังล้วนเป็นการเรียก API ธรรมดากับผู้ให้บริการรายใดก็ตามที่บังเอิญดีที่สุดในเดือนนั้น นี่คือเลเยอร์ที่ OrcaRouter ครอบคลุม: API เดียวสำหรับโมเดลกว่า 200 ตัว พร้อมราคาตามรายการของผู้ให้บริการที่ส่งต่อมาโดยบวกกำไร 0% การสลับไปยังผู้ให้บริการรายอื่นโดยอัตโนมัติเมื่อผู้ให้บริการรายหนึ่งมีปัญหา และ DSL สำหรับกำหนดเส้นทางเพื่อประกอบขั้นตอนต่าง ๆ เข้าด้วยกัน ตัว Hy-SimulMT เองไม่ได้อยู่ในแค็ตตาล็อกของเรา และเราไม่ได้เป็นผู้โฮสต์มัน ประเด็นคือ งานที่อยู่รอบ ๆ ไม่จำเป็นต้องมีสัญญาแยกต่างหากสำหรับผู้ให้บริการแต่ละราย

อะไรจะทำให้การประเมินนี้เปลี่ยนไป

มีสามสิ่งที่ควรจับตา เรียงตามว่าสิ่งใดจะช่วยยุติข้อสงสัยได้มากน้อยเพียงใด การประเมินโดยอิสระ — วงการ IWSLT เผยแพร่ตัวเลข StreamLAAL สำหรับระบบเปิดทุกปี และการส่งผลงานที่ใช้เวตเหล่านี้จะเป็นตัวเลขแรกที่ไม่ได้มาจากเจ้าของโมเดล เอนด์พอยต์แบบโฮสต์ที่มีการกำหนดราคา ซึ่งจะบอกคุณได้ว่า Tencent ตั้งใจให้สิ่งนี้เป็นโครงสร้างพื้นฐานหรือเป็นฟีเจอร์ของแอปตัวเอง และการ merge เข้า llama.cpp ซึ่งเป็นตัวชี้ขาดว่าบิลด์ GGUF เป็นตัวเลือกโลคอลจริงหรือเป็นเพียงตัวยึดตำแหน่ง จนถึงตอนนั้น สรุปอย่างซื่อตรงคือ Tencent ได้เผยแพร่ระบบแปลเสียงพูดพร้อมกันแบบเปิดที่มีความสามารถสูงที่สุดเท่าที่เราเคยเห็น พร้อมตัวเลขจากผู้ขายที่แข็งแรง สัญญาอนุญาตแบบผ่อนปรน และไม่มีการยืนยันจากภายนอกใด ๆ เกี่ยวกับสิ่งเหล่านี้ — และจังหวะเวลาที่เกิดขึ้นหนึ่งวันก่อนการประกาศความร่วมมือในกรอบ APEC ชี้ให้เห็นว่า การยืนยันที่ Tencent สนใจคืออาสาสมัครในเซินเจิ้นที่ถือโทรศัพท์อยู่ ไม่ใช่กระดานจัดอันดับเบนช์มาร์ก