Hy-SimulMT-30B-A3B so với Helsinki-NLP OPUS-MT: Một thông dịch viên trực tiếp đối đầu với một thư mục các chuyên gia

Hãy hình dung cùng một bài nói tại hội nghị được xử lý theo hai cách. Ở cách thứ nhất, một micro đưa tín hiệu vào bộ nhận dạng giọng nói tự động, câu đã được nhận dạng sẽ được chuyển đến một mô hình dịch, bản dịch được chuyển đến một bộ tổng hợp giọng nói, và người nghe sẽ nghe được tiếng Anh vài giây sau khi người nói nói tiếng Quan Thoại — với mọi tên, con số và từ viết tắt đều đã sống sót qua ba cơ hội riêng biệt để bị làm sai lệch. Ở cách thứ hai, một mô hình duy nhất lắng nghe âm thanh và phát ra bản dịch ngay khi câu được nói ra.Hy-SimulMT-30B-A3B, được Tencent phát hành dưới dạng trọng số vào ngày 22 tháng 10 năm 2026, được xây dựng cho cách thứ hai. Helsinki-NLP OPUS-MT là hệ thống dịch mở được triển khai rộng rãi nhất trên thế giới và được xây dựng cho một phiên bản hẹp hơn của cách thứ nhất: nó dịch văn bản, từng câu một, mỗi checkpoint chỉ dành cho một hướng ngôn ngữ, và nó đã được tải xuống hàng trăm nghìn lần vì nó thực hiện công việc đó trên CPU miễn phí.

Hai thứ này không phải là đối thủ theo nghĩa thông thường. Một bên là mô hình giọng nói 30,4 tỷ tham số cần bộ tăng tốc; bên kia là tập hợp hơn một nghìn checkpoint song ngữ, mỗi checkpoint khoảng 70–80 triệu tham số, phần lớn nặng khoảng 300 MB, chạy thoải mái trên máy tính xách tay. So sánh hữu ích không phải là cái nào dịch tốt hơn. Mà là ranh giới nằm ở đâu giữa một thành phần dịch và một hệ thống dịch, và bạn muốn sở hữu bao nhiêu phần của ranh giới đó.

Thực tế mỗi thứ là gì

OPUS-MT được duy trì bởi nhóm NLP của Đại học Helsinki và được xây dựng trên kiến trúc encoder-decoder MarianMT. Đây không phải là một mô hình mà là một danh mục: các checkpoint riêng biệt cho Trung-Anh, Anh-Trung, Anh-Đức và hàng trăm hướng khác, mỗi cái được huấn luyện trên kho ngữ liệu song song từ bộ sưu tập OPUS, mỗi cái có thể tải xuống riêng lẻ. Chỉ riêng checkpoint Trung-Anh đã được tải xuống gần nửa triệu lần; chiều ngược lại khoảng 73.000 lần. Có các biến thể đa ngôn ngữ gộp nhiều ngôn ngữ nguồn vào một mô hình đích tiếng Anh, nhưng trường hợp phổ biến là một chuyên gia hẹp chỉ biết đúng một công việc.

Kiến trúc này lý giải cả ưu điểm lẫn giới hạn của nó. Một encoder-decoder 77 triệu tham số chỉ được huấn luyện trên văn bản song ngữ không có chỗ cho tri thức thế giới, không có giao diện chỉ dẫn và không có cơ chế truyền phát. Đưa vào một câu, nó trả về một câu. Đưa vào một đoạn văn, nó dịch đoạn văn đó như một chuỗi câu không có ngữ cảnh chung, và các ghi chú kỹ thuật đã công bố cho biết nó có xu hướng âm thầm bỏ sót nội dung khi đầu vào dài. Không thể bảo nó giữ một thuật ngữ trong bảng thuật ngữ, giữ nguyên một khóa JSON hay đáp ứng văn phong trang trọng — bạn phải xử lý những việc đó bằng tiền xử lý và hậu biên tập, hoặc bằng giải mã có ràng buộc nếu bạn sẵn sàng tự xây dựng.

Hy-SimulMT-30B-A3B là một loại đối tượng khác hẳn. Cấu hình của nó mô tả một mô hình mixture-of-experts thưa 48 lớp với 128 chuyên gia, tám chuyên gia được định tuyến cộng một chuyên gia chia sẻ cho mỗi token, và một bộ mã hóa âm thanh 24 lớp đưa vào một backbone rộng 2.048. Chữ "A3B" trong tên không được giải thích trong model card, nhưng phép tính từ cấu hình cho ra khoảng 3 tỷ tham số hoạt động so với tổng cộng 30,4 tỷ. Nó nhận âm thanh 16 kHz trong các cửa sổ ba mươi giây và tạo ra văn bản đã dịch; biến thể Interleave cũng phát ra bản chép lời nguồn. Chuyển văn bản thành giọng nói và nhân bản giọng nói được xử lý bởi một dịch vụ riêng mà bộ công cụ triển khai kết nối tới, nghĩa là sản phẩm "speech-to-speech" là một tổ hợp, không phải một tệp duy nhất.

Lập luận về độ trễ thực chất là lập luận về lan truyền lỗi.

Độ trễ là khác biệt rõ ràng nhất và cũng là khác biệt kém thú vị nhất. Một cascade có thể được tinh chỉnh để chạy nhanh; một ASR streaming tốt với các giả thuyết từng phần cộng với một mô hình MT nhỏ có thể tạo ra luồng phụ đề dùng được, trễ dưới một giây so với người nói. Lý do các mô hình đồng thời tồn tại là vì tốc độ trong một cascade phải đánh đổi bằng việc cấp cho mỗi tầng ít ngữ cảnh hơn, và khi đó mỗi tầng mắc lỗi mà tầng tiếp theo không thể thấy. Bộ nhận dạng nghe nhầm một danh từ riêng, bộ dịch không có cách nào biết đó là một tên riêng, và bộ tổng hợp phát âm lỗi đó một cách đầy tự tin. Người nghe không có cách nào biết tầng nào đã thất bại.

Một mô hình duy nhất được huấn luyện đầu-cuối trên toàn bộ tác vụ, về nguyên tắc, có thể trì hoãn quyết định cho đến khi âm thanh giải quyết được sự mơ hồ, và nó có thể giữ lại giọng của người nói nếu bật tính năng nhân bản giọng nói. Tuyên bố của Tencent chính là về sự đánh đổi này: một StreamLAAL khoảng ba giây trên âm thanh RealSI dạng dài, được mô tả là thấp nhất trong số các hệ thống được so sánh, với điểm chất lượng GEMBA cao hơn các mô hình mã nguồn mở trong bảng của họ và bốn trong năm API thương mại. Ba giây có tốt hay không phụ thuộc hoàn toàn vào bối cảnh — đó là khoảng thời gian dài trong một cuộc đàm phán và ngắn trong một bài giảng — nhưng nó được đo trên tác vụ truyền phát trực tuyến, tức là tác vụ mà OPUS-MT không thể thử làm nếu không có một cascade được xây dựng xung quanh nó.

Độ bao phủ, được tính toán một cách trung thực

Đây là chỗ thư mục giành phần thắng một cách dứt khoát, và cũng là phần mà hầu hết các so sánh làm mờ đi. Hơn một nghìn checkpoint của OPUS-MT trải rộng khoảng một trăm ngôn ngữ theo nhiều hướng khác nhau, bao gồm cả những cặp ngôn ngữ ít tài nguyên mà chưa từng có mô hình đa ngôn ngữ lớn nào từng thấy. Hy-SimulMT ghi nhận khả năng dịch giọng nói hai chiều giữa tiếng Trung và tiếng Anh. Siêu dữ liệu của kho mã gắn thẻ 36 ngôn ngữ — trong đó có tiếng Pháp, tiếng Ả Rập, tiếng Khmer, tiếng Tây Tạng, tiếng Kazakh và tiếng Uyghur — nhưng phần mô tả chỉ nói về cặp tiếng Trung - tiếng Anh, và không có gì trong thẻ mô hình giải thích sự không khớp này. Cách hiểu khả dĩ nhất là các thẻ đó mô tả phần lõi văn bản kế thừa từ dòng Hy-MT2 của Tencent chứ không phải năng lực xử lý giọng nói, nhưng đó là một cách diễn giải, không phải sự thật đã được công bố.

Vậy nên, cách nói trung thực về độ bao phủ là: ba mươi sáu ngôn ngữ được tuyên bố trong siêu dữ liệu, hai ngôn ngữ được tài liệu hóa cho giọng nói, so với một danh mục hơn trăm ngôn ngữ trong văn bản. Nếu yêu cầu của bạn là tiếng Quan Thoại sang tiếng Anh trong một cuộc họp trực tiếp, Hy-SimulMT nhắm chính xác đến bạn. Nếu yêu cầu của bạn là tiếng Ba Lan sang tiếng Phần Lan trên một tài liệu tĩnh, OPUS-MT có checkpoint cho việc đó còn Hy-SimulMT thì không.

Bằng chứng chất lượng: một bên có số liệu độc lập, bên kia có bảng của nhà cung cấp

Bằng chứng độc lập nghiêng về phía OPUS-MT, ở câu hỏi hẹp về chất lượng dịch văn bản. Một nghiên cứu đã công bố về dịch Fassa Ladin đã đo một mô hình OPUS-MT đạt 55,61 BLEU từ tiếng Ý sang tiếng Anh, so với 52,93 của NLLB-200 và 44,18 của M2M-100, và 44,35 từ tiếng Anh sang tiếng Ý so với 40,13 và 32,40. Bài học của nghiên cứu đó là một mô hình được huấn luyện độc quyền trên một hướng vẫn có thể đánh bại các hệ thống đa ngữ lớn hơn nhiều ở hướng đó. Nó không nói gì về giọng nói, và nó không liên quan đến Hy-SimulMT, vì chưa có phòng thí nghiệm độc lập nào đánh giá Hy-SimulMT cả.

Ở phía bên kia, Tencent báo cáo 90,3 FLEURS, 75,5 CoVoST2, 81,2 ACL6060 và 84,7 RealSI-Sentence cho Hy-SimulMT, tất cả đều từ đánh giá của chính họ. Đó là các benchmark dịch giọng nói, nên không thể so sánh với các con số BLEU ở trên, và chúng không có xác nhận của bên thứ ba. Một tín hiệu nội bộ đáng chú ý là mô hình thua Qwen3.8-LiveTranslate ở CoVoST2 6,6 điểm trong khi thắng ba cột còn lại trong nhóm các hệ thống mở — một lời nhắc rằng một con số duy nhất sẽ che giấu một điểm yếu thực sự.

Chi phí và triển khai, song song

• Tham số — Hy-SimulMT-30B-A3B: tổng cộng 30,4B, khoảng 3B hoạt động, MoE thưa; Helsinki-NLP OPUS-MT: khoảng 70–80M mỗi checkpoint, dày đặc.

• Mức chiếm dụng bộ nhớ — Hy-SimulMT: khoảng 61 GB trọng số BF16 trước KV cache, vì vậy bộ tăng tốc 80 GB là ngưỡng tối thiểu thực tế; các bản dựng FP8 đã được công bố. OPUS-MT: khoảng 300 MB mỗi checkpoint, có thể chạy trên CPU.

• Mô hình độ trễ — {{1}}Hy-SimulMT: streaming, khoảng 3 giây StreamLAAL trên âm thanh dài.{{/1}} {{2}}OPUS-MT: từng câu một; streaming đòi hỏi một ASR và một chính sách phân đoạn do bạn xây dựng.{{/2}}

• Ngôn ngữ — Hy-SimulMT: tiếng Trung và tiếng Anh được ghi nhận cho lời nói, 36 ngôn ngữ được gắn thẻ trong siêu dữ liệu. OPUS-MT: khoảng một trăm ngôn ngữ trên hơn một nghìn điểm kiểm tra theo hướng.

• Giấy phép — Hy-SimulMT: Apache-2.0 cho trọng số và mã nguồn của Tencent, với các thành phần bên thứ ba theo các điều khoản riêng của chúng. OPUS-MT: tùy theo từng checkpoint và không đồng nhất — mô hình Trung→Anh là CC-BY-4.0, mô hình Anh→Trung là Apache-2.0, Anh→Đức là CC-BY-4.0. Hãy kiểm tra thẻ mô hình cụ thể trước khi phát hành.

• API được lưu trữ — Hy-SimulMT: không có bản công bố nào. OPUS-MT: không có; chỉ có trọng số.

Cặp cuối cùng đó quan trọng đối với hoạt động mua sắm. Cả hai model đều không nằm trong danh mục của OrcaRouter và chúng tôi cũng không lưu trữ model nào trong số đó — bạn tự lưu trữ trọng số hoặc dùng kênh riêng của nhà cung cấp.một API cho hơn 200 model với mức tăng giá 0% so với giá niêm yết của nhà cung cấp giúp tránh phải ký hợp đồng riêng với từng nhà cung cấp. Dịch thuật hiếm khi là việc duy nhất mà một sản phẩm họp đảm nhận.

Cái nào phù hợp với stack của bạn?

Chọn OPUS-MT khi đầu vào đã là văn bản, hướng dịch cố định, khối lượng lớn và ngân sách bằng không. Các quy trình tài liệu pháp lý, tệp phụ đề, danh mục thương mại điện tử và dịch trình duyệt ngoại tuyến vẫn được một mô hình chuyên dụng 300 MB đáp ứng tốt hơn một mô hình 30 tỷ tham số, và giấy phép theo từng checkpoint là thứ duy nhất bạn cần kiểm tra. Chọn Hy-SimulMT khi đầu vào là âm thanh và người nghe đang chờ: cuộc họp trực tiếp, bài giảng, phỏng vấn, phiên dịch phát sóng, bất kỳ bối cảnh nào mà độ trễ ba giây và giọng nói được giữ nguyên đáng để dùng thêm một bộ tăng tốc và một dịch vụ TTS.

Sai lầm cần tránh là coi đây như một cuộc thi chất lượng. OPUS-MT không thua Hy-SimulMT ở dịch văn bản; nó thua ở một tác vụ mà nó chưa từng được xây dựng để làm. Và Hy-SimulMT không thay thế một nghìn mô hình song ngữ được chăm chút bằng một mô hình thông minh — nó thay thế một chuỗi xử lý mà nếu không có nó, bạn sẽ phải tự lắp ráp, tinh chỉnh và gỡ lỗi. Đó là những sự lựa chọn mua khác nhau, và chỉ một trong số đó được đóng gói thành một thư mục.