Hy-SimulMT-30B-A3B เทียบกับ Helsinki-NLP OPUS-MT: ล่ามสดกับโฟลเดอร์ของผู้เชี่ยวชาญเฉพาะทาง

ลองนึกภาพการบรรยายในงานประชุมเดียวกันที่ถูกจัดการด้วยสองวิธี ในวิธีแรก ไมโครโฟนส่งสัญญาณไปยังระบบรู้จำเสียงอัตโนมัติ ประโยคที่รู้จำได้จะถูกส่งไปยังโมเดลแปล คำแปลจะถูกส่งไปยังระบบสังเคราะห์เสียง และผู้ฟังจะได้ยินภาษาอังกฤษไม่กี่วินาทีหลังจากผู้พูดพูดภาษาจีนกลาง — โดยที่ทุกชื่อ ตัวเลข และคำย่อผ่านโอกาสที่จะถูกทำให้เพี้ยนไปถึงสามครั้งแยกกันมาได้ ในวิธีที่สอง โมเดลเดียวจะฟังเสียงและส่งคำแปลออกมาขณะที่ประโยคค่อย ๆ ดำเนินไป Hy-SimulMT-30B-A3B ซึ่ง Tencent เผยแพร่ในรูปแบบน้ำหนักโมเดลเมื่อวันที่ 22 ตุลาคม 2026 ถูกสร้างขึ้นสำหรับวิธีที่สอง Helsinki-NLP OPUS-MT เป็นระบบแปลแบบเปิดที่ถูกนำไปติดตั้งใช้งานอย่างแพร่หลายที่สุดในโลก และถูกสร้างขึ้นสำหรับเวอร์ชันที่แคบกว่าของวิธีแรก: มันแปลข้อความทีละประโยค หนึ่งทิศทางภาษาต่อหนึ่งเช็กพอยต์ และถูกดาวน์โหลดหลายแสนครั้งเพราะมันทำงานนั้นบน CPU ได้ฟรี

สองสิ่งนี้ไม่ใช่คู่แข่งในความหมายปกติ ตัวหนึ่งเป็นโมเดลเสียงที่มีพารามิเตอร์ 30.4 พันล้านตัวซึ่งต้องใช้ตัวเร่งฮาร์ดแวร์ ส่วนอีกตัวหนึ่งคือชุดเช็กพอยต์สองภาษากว่าหนึ่งพันชุด ซึ่งแต่ละชุดมีพารามิเตอร์ประมาณ 70–80 ล้านตัว ส่วนใหญ่มีขนาดราว 300 MB และทำงานได้สบาย ๆ บนแล็ปท็อป การเปรียบเทียบที่มีประโยชน์ไม่ใช่ว่าตัวไหนแปลได้ดีกว่า แต่คือเส้นแบ่งระหว่างองค์ประกอบการแปลกับระบบการแปลอยู่ตรงไหน และคุณต้องการควบคุมขอบเขตนั้นด้วยตัวเองมากเพียงใด

แต่ละอย่างจริงๆ แล้วคืออะไร

OPUS-MT ได้รับการดูแลโดยกลุ่ม NLP ของมหาวิทยาลัยเฮลซิงกิ และสร้างขึ้นบนสถาปัตยกรรมเอนโคเดอร์-เดโคเดอร์ MarianMT ไม่ใช่โมเดลเดี่ยว แต่เป็นแคตตาล็อก กล่าวคือ มีเช็กพอยต์แยกกันสำหรับการแปลจีนเป็นอังกฤษ อังกฤษเป็นจีน อังกฤษเป็นเยอรมัน และทิศทางอื่น ๆ อีกหลายร้อยทิศทาง โดยแต่ละชุดฝึกจากคลังข้อความคู่ขนานจากคอลเลกชัน OPUS และแต่ละชุดดาวน์โหลดแยกได้ เช็กพอยต์จีน-อังกฤษเพียงชุดเดียวถูกดาวน์โหลดไปเกือบครึ่งล้านครั้ง ส่วนทิศทางย้อนกลับถูกดาวน์โหลดไปราว 73,000 ครั้ง มีรูปแบบหลายภาษาที่รวมหลายภาษาต้นทางไว้ในโมเดลเดียวที่แปลเป็นอังกฤษ แต่กรณีทั่วไปคือผู้เชี่ยวชาญเฉพาะทางแคบ ๆ ที่รู้งานเพียงอย่างเดียวเท่านั้น

สถาปัตยกรรมนี้อธิบายทั้งข้อดีและขีดจำกัดของมัน เอนโคเดอร์-ดีโคเดอร์ที่มีพารามิเตอร์ 77 ล้านตัวซึ่งฝึกด้วยข้อความคู่ขนานเท่านั้นไม่มีพื้นที่สำหรับความรู้รอบโลก ไม่มีอินเทอร์เฟซสำหรับคำสั่ง และไม่มีกลไกสำหรับการสตรีม ป้อนประโยคเข้าไปหนึ่งประโยค มันก็คืนประโยคกลับมาหนึ่งประโยค ป้อนย่อหน้าเข้าไป มันก็แปลย่อหน้าเป็นลำดับของประโยคโดยไม่มีบริบทที่ใช้ร่วมกัน และบันทึกทางวิศวกรรมที่เผยแพร่รายงานแนวโน้มที่จะตัดเนื้อหาออกอย่างเงียบ ๆ เมื่ออินพุตยาว ไม่สามารถสั่งให้มันคงคำศัพท์ในอภิธานศัพท์ รักษาคีย์ JSON หรือใช้ระดับภาษาแบบทางการได้ — คุณต้องจัดการสิ่งเหล่านี้ด้วยการประมวลผลก่อนและการแก้ไขหลัง หรือด้วยการถอดรหัสแบบมีข้อจำกัด หากคุณพร้อมจะสร้างมันขึ้นมา

Hy-SimulMT-30B-A3B เป็นวัตถุอีกประเภทหนึ่ง การกำหนดค่าของมันอธิบายโมเดล sparse mixture-of-experts จำนวน 48 ชั้น ที่มีผู้เชี่ยวชาญ 128 ตัว โดยแต่ละโทเคนมีแปดตัวที่ถูกเลือกเส้นทางบวกหนึ่งตัวที่แชร์ และมีตัวเข้ารหัสเสียง 24 ชั้นป้อนเข้าสู่ backbone ความกว้าง 2,048 ชื่อ "A3B" ไม่ได้ถูกขยายความในการ์ด แต่การคำนวณจากการกำหนดค่าได้ประมาณ 3 พันล้านพารามิเตอร์ที่ใช้งาน เทียบกับทั้งหมด 30.4 พันล้าน มันรับเสียง 16 kHz ในหน้าต่าง 30 วินาที และสร้างข้อความแปล; ตัวแปร Interleave ยังส่งออกการถอดความต้นฉบับด้วย การแปลงข้อความเป็นเสียงและการโคลนเสียงถูกจัดการโดยบริการแยกต่างหากที่ชุดเครื่องมือสำหรับการปรับใช้เชื่อมต่อด้วย ซึ่งหมายความว่าผลิตภัณฑ์ "speech-to-speech" เป็นการประกอบชิ้นส่วน ไม่ใช่ไฟล์เดียว

จริง ๆ แล้ว ข้อโต้แย้งเรื่องความหน่วงก็คือข้อโต้แย้งเรื่องการแพร่กระจายของข้อผิดพลาด

ความหน่วงคือความแตกต่างที่เห็นได้ชัด และเป็นเรื่องที่น่าสนใจน้อยที่สุด ระบบแบบคาสเคดสามารถปรับแต่งให้เร็วได้ ASR แบบสตรีมมิ่งที่ดีพร้อมสมมติฐานบางส่วน บวกกับโมเดล MT ขนาดเล็ก สามารถสร้างสตรีมคำบรรยายที่ใช้งานได้โดยตามหลังผู้พูดไม่ถึงหนึ่งวินาที เหตุผลที่โมเดลแบบทำงานพร้อมกันมีอยู่ก็คือ ความเร็วในคาสเคดนั้นได้มาจากการให้บริบทแก่แต่ละขั้นตอนน้อยลง และแต่ละขั้นตอนก็สร้างข้อผิดพลาดที่ขั้นตอนถัดไปมองไม่เห็น ระบบรู้จำเสียงได้ยินคำนามเฉพาะผิด ผู้แปลไม่มีทางรู้ว่ามันเป็นชื่อ และระบบสังเคราะห์เสียงก็ออกเสียงข้อผิดพลาดนั้นอย่างมั่นใจ ผู้ฟังไม่มีทางบอกได้ว่าขั้นตอนไหนล้มเหลว

โมเดลเดียวที่ฝึกแบบ end-to-end บนงานทั้งหมดสามารถเลื่อนการตัดสินใจออกไปได้โดยหลักการ จนกว่าเสียงจะคลี่คลายความกำกวม และสามารถรักษาเสียงของผู้พูดไว้ได้ตลอดหากเปิดใช้การโคลนเสียง ข้ออ้างของ Tencent กล่าวถึงการแลกเปลี่ยนนี้อย่างแม่นยำ: StreamLAAL ประมาณสามวินาทีบนเสียง RealSI รูปแบบยาว ซึ่งอธิบายว่าเป็นค่าที่ต่ำที่สุดในบรรดาระบบที่นำมาเปรียบเทียบ โดยมีคะแนนคุณภาพ GEMBA สูงกว่าโมเดลโอเพนซอร์สในตารางของบริษัท และสูงกว่า API เชิงพาณิชย์สี่ในห้าราย สามวินาทีจะดีหรือไม่นั้นขึ้นอยู่กับบริบททั้งหมด — ในงานเจรจาถือว่านาน แต่ในงานบรรยายถือว่าสั้น — แต่มันถูกวัดบนงานสตรีมมิ่ง ซึ่งเป็นงานที่ OPUS-MT ไม่สามารถลองทำได้หากไม่มี cascade ที่สร้างขึ้นล้อมรอบมัน

ความครอบคลุมที่นับอย่างตรงไปตรงมา

นี่คือจุดที่โฟลเดอร์นี้ชนะอย่างชัดเจน และเป็นส่วนที่การเปรียบเทียบส่วนใหญ่มักทำให้คลุมเครือ ชุดเช็กพอยต์กว่าพันชุดของ OPUS-MT ครอบคลุมภาษาราวหนึ่งร้อยภาษาทั่วทิศทางต่าง ๆ รวมถึงคู่ภาษาทรัพยากรต่ำที่โมเดลหลายภาษาขนาดใหญ่ไม่เคยเห็น Hy-SimulMT ระบุถึงการแปลเสียงแบบสองทิศทางระหว่างภาษาจีนและอังกฤษ เมทาดาทาของคลังโค้ดติดแท็ก 36 ภาษา — รวมถึงฝรั่งเศส อาหรับ เขมร ทิเบต คาซัค และอุยกูร์ — แต่ข้อความบรรยายอธิบายเฉพาะคู่จีน-อังกฤษ และไม่มีสิ่งใดในบัตรอธิบายความคลาดเคลื่อนนี้ การตีความที่น่าจะเป็นไปได้มากที่สุดคือ แท็กเหล่านี้อธิบายแกนข้อความที่สืบทอดมาจากตระกูล Hy-MT2 ของ Tencent มากกว่าความสามารถด้านเสียง แต่่นั่นเป็นการตีความ ไม่ใช่ข้อเท็จจริงที่เผยแพร่

ดังนั้นแนวความครอบคลุมตามจริงคือ: มีการอ้างถึงสามสิบหกภาษาในเมทาดาทา มีสองภาษาที่มีเอกสารรองรับการพูด เทียบกับแคตตาล็อกข้อความราวหนึ่งร้อยกว่าภาษา หากความต้องการของคุณคือแมนดารินเป็นอังกฤษในการประชุมสด Hy-SimulMT มุ่งเป้ามาที่คุณโดยตรง หากความต้องการของคุณคือโปแลนด์เป็นฟินแลนด์บนเอกสารแบบคงที่ OPUS-MT มีเช็กพอยต์สำหรับเรื่องนี้ และ Hy-SimulMT ไม่มี

หลักฐานด้านคุณภาพ: ฝ่ายหนึ่งมีตัวเลขจากแหล่งอิสระ อีกฝ่ายหนึ่งมีตารางจากผู้ขาย

หลักฐานอิสระออกมาเข้าข้าง OPUS-MT ในประเด็นแคบ ๆ เกี่ยวกับคุณภาพการแปลข้อความ การศึกษาที่ตีพิมพ์เกี่ยวกับการแปลภาษาฟาสซา ลาดิน วัดโมเดล OPUS-MT ได้ 55.61 BLEU สำหรับการแปลจากอิตาลีเป็นอังกฤษ เทียบกับ 52.93 สำหรับ NLLB-200 และ 44.18 สำหรับ M2M-100 และได้ 44.35 สำหรับการแปลจากอังกฤษเป็นอิตาลี เทียบกับ 40.13 และ 32.40 บทเรียนจากการศึกษานั้นคือ โมเดลที่ฝึกเฉพาะทิศทางเดียวก็ยังสามารถเอาชนะระบบหลายภาษาที่ใหญ่กว่ามากในทิศทางนั้นได้ ข้อความนี้ไม่ได้กล่าวถึงเสียง และไม่เกี่ยวข้องกับ Hy-SimulMT เพราะยังไม่มีห้องแล็บอิสระใดประเมิน Hy-SimulMT เลย

ในอีกด้านหนึ่ง Tencent รายงานว่า Hy-SimulMT ได้ 90.3 FLEURS, 75.5 CoVoST2, 81.2 ACL6060 และ 84.7 RealSI-Sentence ซึ่งทั้งหมดมาจากการประเมินของบริษัทเอง สิ่งเหล่านี้เป็นเบนช์มาร์กการแปลเสียง จึงเทียบกับตัวเลข BLEU ข้างต้นไม่ได้ และไม่มีการยืนยันจากบุคคลที่สาม สัญญาณภายในหนึ่งเดียวที่ควรสังเกตคือ โมเดลแพ้ Qwen3.8-LiveTranslate ใน CoVoST2 อยู่ 6.6 คะแนน ขณะที่ชนะอีกสามคอลัมน์ในกลุ่มระบบเปิด — ซึ่งเตือนใจว่าตัวเลขเพียงตัวเดียวจะปกปิดจุดอ่อนที่แท้จริงไว้

ต้นทุนและการนำไปใช้งาน เทียบเคียงกัน

• พารามิเตอร์ — Hy-SimulMT-30B-A3B: รวม 30.4B, ใช้งานจริงประมาณ 3B, เป็น MoE แบบ sparse; Helsinki-NLP OPUS-MT: ประมาณ 70–80M ต่อ checkpoint, เป็นแบบ dense

• Footprint — Hy-SimulMT: น้ำหนัก BF16 ประมาณ 61 GB ก่อน KV cache ดังนั้น Accelerator ขนาด 80 GB จึงเป็นระดับขั้นต่ำที่ใช้งานได้จริง; มีการเผยแพร่บิลด์ FP8 แล้ว OPUS-MT: ประมาณ 300 MB ต่อ checkpoint และรองรับ CPU

• รูปแบบความหน่วง — Hy-SimulMT: สตรีมมิ่ง ประมาณ 3 วินาที StreamLAAL บนออดิโอแบบยาว OPUS-MT: ทีละประโยค; การสตรีมมิ่งต้องมี ASR และนโยบายการแบ่งส่วนที่คุณสร้างขึ้น

• ภาษา — Hy-SimulMT: มีเอกสารระบุภาษาจีนและอังกฤษสำหรับการพูด โดยมี 36 ภาษาที่ติดแท็กในเมทาดาทา OPUS-MT: ประมาณหนึ่งร้อยภาษาทั่วเช็กพอยต์แบบมีทิศทางมากกว่าหนึ่งพันรายการ

• สัญญาอนุญาต — Hy-SimulMT: Apache-2.0 สำหรับน้ำหนักและโค้ดของ Tencent โดยมีคอมโพเนนต์บุคคลที่สามภายใต้ข้อกำหนดของตนเอง OPUS-MT: ขึ้นอยู่กับแต่ละเช็กพอยต์และไม่เหมือนกันทุกตัว — โมเดลจีนเป็นอังกฤษเป็น CC-BY-4.0 โมเดลอังกฤษเป็นจีนเป็น Apache-2.0 อังกฤษเป็นเยอรมันเป็น CC-BY-4.0 ตรวจสอบการ์ดเฉพาะของโมเดลนั้นก่อนส่งมอบ

• API แบบโฮสต์ — Hy-SimulMT: ไม่มีการเผยแพร่ OPUS-MT: ไม่มี; มีเฉพาะน้ำหนักโมเดล

คู่สุดท้ายนี้สำคัญต่อการจัดซื้อจัดจ้าง ทั้งสองโมเดลไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และเราไม่ได้โฮสต์โมเดลใดเลย — คุณโฮสต์เวตเองหรือใช้ช่องทางของผู้ขายเอง จุดที่การจัดเส้นทางมีคุณค่าอย่างแท้จริงคือส่วนที่เหลือของไปป์ไลน์: ตัวสรุปบทถอดเสียง ตัวตรวจสอบอภิธานศัพท์ ตัวแก้ไขหลังการแปล และผู้ช่วยแชตที่ล้อมรอบขั้นตอนการแปล ล้วนเป็นการเรียกโมเดลทั่วไป และการรันสิ่งเหล่านี้ผ่านAPI เดียวสำหรับ 200+ โมเดล ที่ มาร์กอัป 0% เหนือราคาตามรายการของผู้ให้บริการ ช่วยเลี่ยงการทำสัญญาแยกกับผู้ขายแต่ละราย การแปลแทบไม่ใช่สิ่งเดียวที่ผลิตภัณฑ์สำหรับการประชุมทำ

อันไหนที่ควรอยู่ในสแต็กของคุณ

เลือก OPUS-MT เมื่อข้อมูลนำเข้าเป็นข้อความอยู่แล้ว ทิศทางภาษาคงที่ ปริมาณงานสูง และงบประมาณเป็นศูนย์ ไปป์ไลน์เอกสารทางกฎหมาย ไฟล์คำบรรยาย แคตตาล็อกอีคอมเมิร์ซ และการแปลในเบราว์เซอร์แบบออฟไลน์ ยังคงได้ผลลัพธ์ที่ดีกว่าจากโมเดลเฉพาะทางขนาด 300 MB มากกว่าโมเดลขนาด 3 หมื่นล้านพารามิเตอร์ และสัญญาอนุญาตราย checkpoint เป็นสิ่งเดียวที่คุณต้องตรวจสอบ เลือก Hy-SimulMT เมื่อข้อมูลนำเข้าเป็นเสียงและผู้ฟังกำลังรอ: การประชุมสด การบรรยาย การสัมภาษณ์ การแปลแบบล่ามออกอากาศ หรือทุกสถานการณ์ที่ความหน่วง 3 วินาทีและการคงไว้ซึ่งเสียงนั้นคุ้มค่ากับตัวเร่งความเร็วและบริการ TTS

ข้อผิดพลาดที่ต้องหลีกเลี่ยงคือการมองสิ่งนี้เป็นการแข่งขันด้านคุณภาพ OPUS-MT ไม่ได้แพ้ Hy-SimulMT ในการแปลข้อความ แต่มันแพ้ในงานที่มันไม่ได้ถูกสร้างขึ้นมาสำหรับงานนั้นตั้งแต่แรก และ Hy-SimulMT ไม่ได้แทนที่โมเดลสองภาษาที่พิถีพิถันนับพันด้วยโมเดลฉลาดเพียงตัวเดียว — มันแทนที่ลำดับการทำงานแบบทอดต่อกัน (cascade) ที่ไม่เช่นนั้นคุณจะต้องประกอบ ปรับแต่ง และดีบักด้วยตัวเอง สิ่งเหล่านี้คือการซื้อที่แตกต่างกัน และมีเพียงอย่างเดียวเท่านั้นที่มาในโฟลเดอร์