騰訊打造了一款3秒口譯器，卻未發新聞稿就悄然推出

2026年10月22日，Hugging Face 上 tencent 組織底下出現了六個屬於新模型家族的儲存庫。本文要介紹的是Hy-SimulMT-30B-A3B-Interleave，這個變體會同時輸出辨識出的原文與譯文；它的兄弟Hy-SimulMT-30B-A3B則只輸出譯文。兩者皆為 Apache-2.0，皆為 304 億參數，且都是為了 Tencent 先前翻譯發布版本都做不到的一項任務而打造：在中文或英文語音被說出的同時聆聽，並在句子還沒說完時產出另一種語言。四天後，主要儲存庫顯示下載次數為零、讚數為兩個。沒有 Hunyuan 部落格文章、沒有新聞稿、沒有 arXiv 論文，在整個月持續報導 Tencent 翻譯業務的中文報導中，也完全沒有提到。唯一的公告，是 10 月 26 日新增於模型卡 News 區塊的一則附日期條列項目，內容寫著：已發布。

權重能做到什麼，與其發布得有多高調之間的落差，才是故事所在。一個延遲約三秒、可依寬鬆授權條款下載的同步口譯模型，並不是例行發布——它是讓翻譯 App 從「得輪流使用」變成「開會時能戴著」的關鍵拼圖。對這片沉默，最可能的解釋就在行事曆上：Tencent 於 10 月 23 日成為在深圳舉行的第 33 屆 APEC 經濟領袖會議的策略合作夥伴，而那天正是權重上線的隔天；其 Hy Translate App 也被指定為該活動志工與工作人員的官方 AI 翻譯工具，活動於 11 月 18 日至 19 日舉行。這是根據公開日期所作的推論，並非 Tencent 的說法。下文將區分該儲存庫所證明的事，以及它僅僅暗示的事。

儲存庫裡實際上有什麼？

此架構是一種語音輸入、文字輸出的因果語言模型，標記為 hy_v3，並以 HYV3SpeechForCausalLM 實作。設定明確指出一個稀疏混合專家堆疊：48 層、隱藏大小 2,048、128 個專家且專家隱藏維度為 768、每個 token 有八個路由專家加一個共享專家，以及最前方的一個稠密層。safetensors 索引計有 30,394,788,480 個 BF16 參數，另有 6,016 個以 F32 儲存。騰訊從未解釋名稱中的「A3B」代表什麼，但算術結果與之一致：在那樣的專家寬度下，八個路由專家加一個共享專家，算起來大約是每個 token 有 30 億個作用中參數。這是我們根據公開設定所做的計算，並非廠商提供的數字。

音訊前端位於同一個設定檔中，而不是隱藏在管線之後：128 個 Mel 頻帶、寬度 1,024 並投影至 2,048 的 24 層編碼器、16 kHz 取樣，以及每個輸入視窗最多 480,000 個樣本——三十秒。生成預設為溫度 0.0、max_new_tokens 為 64，這正是預期中的設計：模型會輸出一小段翻譯文字，然後等待更多音訊。最大位置嵌入列為 262,144；模型卡並未公布可用的上下文長度，而對串流音訊而言，這個數字遠不如三十秒視窗來得有意義。

一次推出六個檢查點：base 與 Interleave，各自都有 FP8 版本和 GGUF 版本。授權檔案為 Apache-2.0，並附有常見的例外條款，即隨附的第三方元件仍依其各自條款辦理。模型卡列出十二位貢獻者，連結到一個 GitHub 儲存庫，其中同時包含名為 SimulInfer 的推論服務與名為 SimulTrain 的訓練工具組，並引用騰訊的產品頁面而非論文。

延遲數字，以及削弱頭條說法的那一列基準測試結果

對同步模型而言，真正重要的主張不是單獨看翻譯品質，而是在特定延遲下的品質。騰訊在 RealSI 長篇音訊上評估這一點，並回報 StreamLAAL 約為三秒，稱其為比較系統中最低者，且 GEMBA 分數高於比較中的開源模型以及五個商業 API 中的四個。StreamLAAL 衡量的是串流情境下來源與目標 token 之間的平均延遲；它不是首次音訊輸出時間（time-to-first-audio），模型卡也明確如此說明。模型卡同樣沒有點名在 GEMBA 上勝過它的第五個商業 API。

短表更有資訊量，因為它有一欄比較不美化。騰訊在四項公開基準測試上回報 Hy-SimulMT 於 FLEURS 為 90.3、CoVoST2 為 75.5、ACL6060 為 81.2、RealSI-Sentence 為 84.7。相較之下，Qwen3.8-LiveTranslate 分別為 88.4、82.1、80.5、84.4；Gemini3.5-LiveTranslate 為 92.4、74.4、82.6、82.2；Seed-LiveInterpret2.0 為 85.8、67.7、74.8、80.0。要看各欄，而不是看摘要：在開源系統中，Hy-SimulMT 拿下 FLEURS、ACL6060 和 RealSI-Sentence，在 CoVoST2 輸給 Qwen 6.6 分，在 FLEURS 輸給 Gemini 2.1 分。卡片自己的那句話——在 FLEURS、ACL6060 和 RealSI-Sentence 上高於其他開源模型——範圍設得很小心，而缺漏的那項基準正是它表現最差的一項。那張表裡的每個數字都是騰訊產出的。沒有任何獨立實驗室跑過這個模型。

這項人類比較值得比標題更仔細解讀。

騰訊也委託進行了一項與專業口譯員的配對比較：自2026年9月起在網路上發布的十八段中英文錄音，每段約六分鐘，涵蓋從軟體、醫學到法律、農業等十個領域，由六位專業人士口譯——其中三位持有CATTI一級證書，三位持有二級證書。針對每個證書等級，皆以三位口譯員中最優秀者作為比較基準。結論是，該模型的品質可與專家級人類同步口譯員相當，且往往回應更快。

這是一個引人注目的結果，但也是一個小規模的結果，卡片在腳註中明白指出：這些發現僅適用於那些樣本、那些口譯員與那個情境，並不構成對語音品質或聲音相似度的評估。有兩個方法論上的細節值得記住。在每個層級使用得分最高的口譯員，為品質設定了高標準，但對延遲而言卻是不均勻的標準，因為比較對象是一個人，而不是中位數的專業人士。而且這項測試衡量的是資訊傳遞與時間掌握，而不是大多數聽眾在機器語音中首先注意到的東西，也就是它聽起來是否像真人。

儲存庫沒有回答的是什麼

買家首先會問的幾個問題，目前都還沒有公開答案。這裡沒有託管 API，也沒有價格：不同於 Tencent 在 Tencent Cloud 上以公開的按 token 費率列出的 Hy-MT2 系列，Hy-SimulMT 僅提供權重，外加一個行動應用程式，而 Hugging Face 的推論供應商面板則將其列為尚未由任何供應商部署。這裡沒有技術報告，也沒有 Tencent 自家評估之外的基準測試。模型卡指出，語音輸出與聲音克隆需要已配置的 TTS 服務，因此「語音轉語音」這個說法描述的是圍繞該模型組裝而成的系統，而不是單一能輸出音訊的檢查點。llama.cpp 支援明確尚未合併到上游——模型卡建議等待支援該模型的版本發布，儘管已發布 GGUF 建置檔，且範例環境變數引用了一個名為 hymt-A3b-tgt_only-1019-Q8_0.gguf 的檢查點，這個產物名稱與公開模型 ID 不符。

語言中繼資料是最令人困惑的部分。該儲存庫標記了 36 種語言，從中文和英文，到法文、阿拉伯文、高棉文、藏文、哈薩克文和維吾爾文。內文只記載中文與英文之間的雙向語音翻譯。若那些額外語言屬於承襲自 Hy-MT2 的文字主幹，而非語音路徑，這兩種說法就可能同時成立，但卡片並未說明這點；任何規劃日文或阿拉伯文部署的人，都應將其視為未經確認，直到 Tencent 在文件中說明為止。

自行運行，以及這在硬體上的成本

文件記載的路徑是 vLLM 0.31 或更新版本，並支援 HYV3ForCausalLM，外加 simulst 套件。單一指令即可佈建環境，並分別在 8800 與 8080 連接埠啟動模型伺服器與 Web/API 前端；前端可接受音訊上傳、麥克風或 WebSocket 串流，並在設定好 TTS 時將翻譯後的音訊寫入磁碟。另有一個 llama.cpp 橋接器，可讓 Web 層在 8094 連接埠上對接既有的 llama.cpp 伺服器（位於 8080），並提供 MODEL_TYPE 切換，用於僅翻譯與來源加翻譯的檢查點。記憶體是實務上的門檻：BF16 下的 304 億參數，在 KV 快取與活化值之前，權重就約需 61 GB，因此單張 80 GB 加速器是現實下限，而 FP8 版本才讓較小顯示卡有機會可行。這些是我們依參數數量推算的數字，並非騰訊的最低規格；該規格表並未載明後者。

對那些會議流程不只做翻譯的團隊而言——摘要逐字稿、擷取待辦事項、草擬後續追蹤——口譯器只是多個環節中的一環，而後續這些環節，不過是向當月最合適的供應商發出的一般 API 呼叫。那正是 OrcaRouter 涵蓋的層面：一套 API 支援 200+ 個模型，供應商牌價以0% 加成轉嫁，供應商出狀況時自動容錯移轉，並提供用於組合各環節的路由 DSL。Hy-SimulMT 本身不在我們的目錄中，我們也不代管它；重點是周邊工作不需要為每家供應商另行簽約。

什麼會改變這項評估？

有三件事值得關注，依其能釐清多少問題的順序如下。獨立評測——IWSLT 賽事體系每年都會公布開放系統的 StreamLAAL 數字，而使用這組權重的提交，將是第一個不是由模型所有者產生的數字。有定價的託管端點，這能告訴你騰訊是把它當成基礎設施，還是自家應用的一項功能。以及 llama.cpp 的合併，這決定 GGUF 版本是真正的本地選項，還是佔位符。在那之前，誠實的總結是：騰訊發表了我們所見過能力最強的開放式同步語音翻譯器，有著強勁的廠商數據、寬鬆的授權，而其中任何一點都沒有外部證實——而且時機點落在 APEC 合作夥伴公告前一天，這暗示騰訊真正在乎的驗證，是深圳一位拿著手機的志工，而不是基準測試排行榜。