Tencent đã xây dựng một trình phiên dịch 3 giây và phát hành nó mà không có thông cáo báo chí.

Vào ngày 22 tháng 10 năm 2026, sáu kho lưu trữ thuộc một dòng mô hình mới đã xuất hiện dưới tổ chức tencent trên Hugging Face. Mô hình mà bài viết này nói đến là Hy-SimulMT-30B-A3B-Interleave, biến thể phát ra cả văn bản nguồn đã được nhận dạng lẫn bản dịch; mô hình anh em của nó là Hy-SimulMT-30B-A3B chỉ phát ra bản dịch. Cả hai đều dùng giấy phép Apache-2.0, cả hai đều có 30,4 tỷ tham số và cả hai đều được xây dựng cho một việc mà không bản phát hành dịch thuật nào trước đây của Tencent làm được: lắng nghe giọng nói tiếng Trung hoặc tiếng Anh ngay khi đang được nói và tạo ra ngôn ngữ còn lại trong khi câu vẫn đang được nói. Bốn ngày sau, kho lưu trữ chính cho thấy không có lượt tải xuống nào và hai lượt thích. Không có bài đăng nào trên blog Hunyuan, không có thông cáo báo chí, không có bài báo arXiv và không có một dòng nào trong các bài đưa tin bằng tiếng Trung về mảng dịch thuật của Tencent vốn đã chạy suốt cả tháng. Thông báo duy nhất là một dòng gạch đầu dòng có ghi ngày trong mục News của thẻ mô hình, được thêm vào ngày 26 tháng 10, với nội dung: đã phát hành.

Khoảng trống giữa những gì các trọng số làm được và mức độ rầm rộ mà chúng được công bố chính là câu chuyện. Một trình phiên dịch đồng thời với độ trễ khoảng ba giây, có thể tải xuống theo một giấy phép thông thoáng, không phải là một bản phát hành thông thường — đó là mảnh ghép biến một ứng dụng dịch từ thứ bạn phải thay phiên nhau sử dụng thành thứ bạn có thể đeo trong một cuộc họp. Lời giải thích khả dĩ nhất cho sự im lặng nằm ở lịch: Tencent trở thành đối tác chiến lược của Hội nghị Các nhà lãnh đạo Kinh tế APEC lần thứ 33 tại Thâm Quyến vào ngày 23 tháng 10, một ngày sau khi các trọng số được đưa lên, và ứng dụng Hy Translate của họ được vinh danh là công cụ dịch AI chính thức cho các tình nguyện viên và nhân viên làm việc tại sự kiện đó, diễn ra từ ngày 18–19 tháng 11. Đó là một suy luận từ các ngày tháng công khai, không phải điều gì đó Tencent đã nói. Phần tiếp theo tách bạch những gì kho lưu trữ chứng minh khỏi những gì nó chỉ gợi ý.

Thực sự có gì trong kho lưu trữ?

Kiến trúc là một mô hình ngôn ngữ nhân quả đầu vào giọng nói, đầu ra văn bản, được gắn thẻ hy_v3 và được khởi tạo dưới dạng HYV3SpeechForCausalLM. Cấu hình nêu rõ một ngăn xếp hỗn hợp chuyên gia thưa: 48 lớp, kích thước ẩn 2.048, 128 chuyên gia với chiều ẩn của mỗi chuyên gia là 768, tám chuyên gia được định tuyến cộng một chuyên gia chia sẻ cho mỗi token, và một lớp dày đặc duy nhất ở phía trước. Chỉ mục safetensors đếm 30,394,788,480 tham số ở BF16, cùng thêm 6,016 được lưu ở F32. Tencent không bao giờ giải thích "A3B" trong tên, nhưng phép tính nhất quán với điều đó: tám chuyên gia được định tuyến cộng một chuyên gia chia sẻ, ở độ rộng chuyên gia đó, cho ra khoảng 3 tỷ tham số hoạt động mỗi token. Đó là tính toán của chúng tôi từ cấu hình đã công bố, không phải con số của nhà cung cấp.

Phần xử lý âm thanh đầu vào nằm trong cùng tệp cấu hình thay vì bị ẩn sau một pipeline: 128 bin mel, bộ mã hóa 24 lớp với độ rộng 1.024 chiếu lên 2.048, lấy mẫu 16 kHz và tối đa 480.000 mẫu — ba mươi giây — mỗi cửa sổ đầu vào. Việc sinh mặc định dùng temperature 0.0 với max_new_tokens là 64, đúng như bạn kỳ vọng ở một mô hình được thiết kế để phát ra một đoạn văn bản dịch ngắn rồi chờ thêm âm thanh. Embedding vị trí tối đa được liệt kê là 262.144; thẻ mô hình không công bố độ dài ngữ cảnh khả dụng nào, và với âm thanh truyền phát, con số đó ít có ý nghĩa hơn nhiều so với cửa sổ ba mươi giây.

Sáu checkpoint được phát hành cùng lúc: bản base và Interleave, mỗi bản có một bản dựng FP8 và một bản dựng GGUF. Tệp giấy phép là Apache-2.0 với ngoại lệ thông thường rằng các thành phần bên thứ ba đi kèm vẫn giữ các điều khoản riêng của chúng. Thẻ mô hình ghi tên mười hai người đóng góp, liên kết đến một kho GitHub chứa cả dịch vụ suy luận có tên SimulInfer và bộ công cụ huấn luyện có tên SimulTrain, đồng thời trích dẫn một trang sản phẩm của Tencent thay vì một bài báo.

Con số độ trễ, và dòng benchmark làm suy yếu tiêu đề.

Luận điểm quan trọng đối với một mô hình dịch đồng thời không phải là chất lượng dịch khi đứng riêng — mà là chất lượng tại một độ trễ nhất định. Tencent đánh giá điều này trên âm thanh dài RealSI và báo cáo StreamLAAL khoảng ba giây, được mô tả là thấp nhất trong số các hệ thống được so sánh, với điểm GEMBA cao hơn các mô hình mã nguồn mở trong so sánh và bốn trong năm API thương mại. StreamLAAL đo độ trễ trung bình giữa các token nguồn và token đích trong bối cảnh truyền trực tuyến; đây không phải là thời gian đến âm thanh đầu tiên, và thẻ nói rõ điều đó. Thẻ cũng không nêu tên API thương mại thứ năm đã vượt qua nó về GEMBA.

Bảng dạng rút gọn cung cấp nhiều thông tin hơn vì nó kém tâng bốc hơn ở một cột. Trên bốn bộ đánh giá công khai, Tencent báo cáo Hy-SimulMT đạt 90,3 trên FLEURS, 75,5 trên CoVoST2, 81,2 trên ACL6060 và 84,7 trên RealSI-Sentence. Đối chiếu với con số đó, Qwen3.8-LiveTranslate đạt 88,4, 82,1, 80,5 và 84,4; Gemini3.5-LiveTranslate đạt 92,4, 74,4, 82,6 và 82,2; Seed-LiveInterpret2.0 đạt 85,8, 67,7, 74,8 và 80,0. Hãy đọc các cột thay vì phần tóm tắt: Hy-SimulMT thắng FLEURS, ACL6060 và RealSI-Sentence trong số các hệ thống mở, thua Qwen ở CoVoST2 6,6 điểm, và thua Gemini ở FLEURS 2,1 điểm. Câu trên thẻ mô hình của chính họ — cao hơn các mô hình mã nguồn mở khác trên FLEURS, ACL6060 và RealSI-Sentence — được giới hạn phạm vi một cách cẩn thận, và bộ đánh giá bị thiếu chính là bộ mà nó làm kém nhất. Mọi con số trong bảng đó đều do Tencent tạo ra. Chưa có phòng thí nghiệm độc lập nào chạy thử mô hình này.

Việc so sánh với con người đáng được đọc kỹ hơn những gì tiêu đề thể hiện.

Tencent cũng đã đặt một so sánh tương đồng với các phiên dịch viên chuyên nghiệp: mười tám bản ghi âm tiếng Trung và tiếng Anh được công bố trực tuyến từ tháng 9 năm 2026 trở đi, mỗi bản khoảng sáu phút, trải rộng mười lĩnh vực từ phần mềm và y học đến luật và nông nghiệp, được phiên dịch bởi sáu chuyên gia — ba người có chứng chỉ CATTI Cấp 1 và ba người có Cấp 2. Ở mỗi cấp chứng chỉ, phiên dịch viên tốt nhất trong ba người được dùng làm điểm so sánh. Kết luận là mô hình đạt chất lượng ngang với các phiên dịch viên đồng thời chuyên nghiệp của con người trong khi thường phản hồi nhanh hơn.

Đó là một kết quả ấn tượng, và cũng là một kết quả nhỏ, điều mà thẻ kết quả nói rõ trong một chú thích: các phát hiện chỉ áp dụng cho những mẫu đó, những phiên dịch viên đó và bối cảnh đó, và không tạo thành một đánh giá về chất lượng giọng nói hay độ tương đồng giọng nói. Có hai chi tiết phương pháp đáng để ghi nhớ. Việc sử dụng phiên dịch viên có điểm cao nhất ở mỗi mức đặt ra một chuẩn khắt khe về chất lượng nhưng lại là một chuẩn không đồng đều về độ trễ, vì phép so sánh là với một người chứ không phải với chuyên gia trung vị. Và bài kiểm tra đo lường việc truyền đạt thông tin và nhịp độ, chứ không đo lường điều mà hầu hết người nghe nhận thấy đầu tiên ở giọng nói máy móc, đó là liệu nó có nghe như giọng người hay không.

Những gì kho lưu trữ không trả lời

Một số câu hỏi mà người mua sẽ hỏi đầu tiên vẫn chưa có câu trả lời được công bố. Không có API được lưu trữ sẵn và không có giá: khác với dòng Hy-MT2, vốn được Tencent niêm yết trên Tencent Cloud với mức giá công bố theo token, Hy-SimulMT chỉ có trọng số cùng một ứng dụng di động, và bảng nhà cung cấp suy luận của Hugging Face liệt kê nó là chưa được nhà cung cấp nào triển khai. Không có báo cáo kỹ thuật và không có benchmark nào ngoài đánh giá của chính Tencent. Thẻ mô hình nêu rằng đầu ra giọng nói và nhân bản giọng nói yêu cầu một dịch vụ TTS đã được cấu hình, vì vậy cách gọi "speech-to-speech" mô tả một hệ thống được lắp ghép xung quanh mô hình, chứ không phải một checkpoint duy nhất phát ra âm thanh. Hỗ trợ llama.cpp rõ ràng chưa được hợp nhất vào upstream — thẻ mô hình khuyến nghị chờ một bản phát hành hỗ trợ mô hình, dù các bản dựng GGUF đã được công bố, và biến môi trường mẫu tham chiếu đến một checkpoint có tên hymt-A3b-tgt_only-1019-Q8_0.gguf, một tên artifact không khớp với các ID mô hình công khai.

Siêu dữ liệu ngôn ngữ là phần gây nhầm lẫn nhất. Kho lưu trữ gắn thẻ 36 ngôn ngữ, từ tiếng Trung và tiếng Anh cho đến tiếng Pháp, tiếng Ả Rập, tiếng Khmer, tiếng Tây Tạng, tiếng Kazakh và tiếng Uyghur. Phần văn xuôi chỉ ghi nhận dịch giọng nói hai chiều giữa tiếng Trung và tiếng Anh. Cả hai phát biểu đều có thể đúng nếu các ngôn ngữ bổ sung thuộc về xương sống văn bản kế thừa từ Hy-MT2 chứ không thuộc luồng giọng nói, nhưng thẻ không nói rõ điều đó, và bất kỳ ai dự định triển khai tiếng Nhật hoặc tiếng Ả Rập nên coi đó là chưa được xác nhận cho đến khi Tencent ghi nhận điều này.

Tự vận hành nó, và chi phí phần cứng để làm việc đó

Quy trình được tài liệu hóa là vLLM 0.31 trở lên với hỗ trợ HYV3ForCausalLM, cùng gói simulst. Một lệnh duy nhất sẽ thiết lập môi trường và khởi động cả máy chủ mô hình lẫn giao diện web/API lần lượt trên cổng 8800 và 8080; giao diện tiếp nhận tải lên âm thanh, micrô hoặc luồng WebSocket, và ghi âm thanh đã dịch ra đĩa khi TTS được cấu hình. Ngoài ra còn có một cầu nối llama.cpp chạy lớp web trên cổng 8094 với một máy chủ llama.cpp hiện có trên 8080, với công tắc MODEL_TYPE để chọn giữa checkpoint chỉ dịch và checkpoint nguồn cộng bản dịch. Bộ nhớ là rào cản thực tế: 30,4 tỷ tham số ở BF16 tương đương khoảng 61 GB trọng số trước khi tính KV cache và activation, nên một bộ tăng tốc 80 GB là mức tối thiểu thực tế, và bản dựng FP8 chính là thứ khiến một card nhỏ hơn trở nên khả thi. Đó là các con số của chúng tôi tính từ số lượng tham số, không phải thông số kỹ thuật tối thiểu của Tencent, vì card không nêu rõ.

Đối với những nhóm mà pipeline cuộc họp của họ làm nhiều hơn là chỉ dịch — tóm tắt bản ghi, trích xuất các mục hành động, soạn thư theo dõi — thì trình phiên dịch chỉ là một khâu trong số nhiều khâu, và những khâu sau đó là các lệnh gọi API thông thường tới bất kỳ nhà cung cấp nào đang tốt nhất trong tháng đó. Đó chính là lớp mà OrcaRouter bao phủ: một API cho hơn 200 mô hình với giá niêm yết của nhà cung cấp được chuyển thẳng với 0% phụ phí, tự động chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố, và một DSL định tuyến để kết hợp các khâu. Bản thân Hy-SimulMT không có trong danh mục của chúng tôi và chúng tôi không tự lưu trữ nó; vấn đề là phần việc xung quanh đó không cần một hợp đồng riêng cho từng nhà cung cấp.

Điều gì sẽ thay đổi đánh giá này?

Ba điều đáng theo dõi, theo thứ tự mức độ chúng sẽ giúp làm rõ mọi chuyện. Một đánh giá độc lập — giải IWSLT công bố số liệu StreamLAAL cho các hệ mở hằng năm, và một bài nộp sử dụng các trọng số này sẽ là con số đầu tiên không do chủ sở hữu mô hình tạo ra. Một endpoint được lưu trữ có kèm giá, điều này sẽ cho bạn biết Tencent định coi đây là hạ tầng hay là một tính năng trong ứng dụng riêng của họ. Và việc hợp nhất vào llama.cpp, điều quyết định xem các bản dựng GGUF là một lựa chọn cục bộ thực sự hay chỉ là thứ thay thế tạm thời. Cho đến lúc đó, tóm tắt trung thực là Tencent đã công bố trình dịch giọng nói đồng thời mở mạnh nhất mà chúng tôi từng thấy, với số liệu mạnh từ nhà cung cấp, giấy phép dễ dãi và không có xác nhận bên ngoài nào về bất kỳ điều đó — và thời điểm, một ngày trước thông báo quan hệ đối tác APEC, gợi ý rằng sự xác nhận mà Tencent quan tâm là một tình nguyện viên ở Thâm Quyến cầm điện thoại, chứ không phải một bảng xếp hạng benchmark.