腾讯混元 Hy-SimulMT 开源：中英同传延迟约 3 秒，还能实时克隆音色

腾讯混元把实时中英同声传译模型 Hy-SimulMT 开源了：边听边译，语音和文字双输出，同传这件事的门槛被直接打了下来。

先看三个硬指标。延迟上，长音频实测 StreamLAAL 约 3 秒，比同类系统低，也快于人类专业译员平均 4–5 秒；质量上，GEMBA 得分超过多数开源模型，还优于 5 个商业 API 中的 4 个；另外支持实时音色克隆，译文内容准确的同时保留说话人自己的声音特点。

架构是 30B-A3B 的 MoE，总参约 30.4B、实际激活约 3B，提供仅译文和原文+译文交错（Interleave）两个版本，还有 FP8、GGUF 量化，部署成本可控。

上手路径也很短：去 Hugging Face 或 ModelScope 下载权重（Apache 2.0 协议），用官方 SimulInfer 搭推理服务（支持 WebSocket 和 Web UI，需要 vLLM），再配一个 TTS 服务（比如 Qwen3-TTS）就能实现语音输出和实时音色克隆。嫌麻烦也可以直接打开「Hy翻译」App 免费体验。

会议、直播、跨境沟通这些需要即时跨语言的场景，现在可以直接拿它搭一套自己的同传服务。

项目地址：GitHub ｜ 权重下载：Hugging Face ｜ ModelScope