腾讯混元于 2026 年 10 月 26 日发布并开源 Hy-SimulMT 实时同声传译模型，支持中英文双向语音到语音翻译，模型参数规模为 30B（采用 A3B 激活结构），并同步在 Hugging Face 提供 GGUF 格式。该模型的核心能力是边接收音频流边翻译，在说话人讲话过程中持续输出译文文本与合成语音，并借助实时声音克隆保留说话人的音色特征。
与传统“先听完再翻译”的交替传译不同，同声传译需要在信息不完整时就开始理解和生成译文，因此质量与延迟之间存在天然取舍。Hy-SimulMT 的设计目标是在这一权衡中偏向低延迟，同时尽量不牺牲语义准确度。官方在开源的长音频基准 RealSI 上进行了对比评测，横轴为衡量流式翻译滞后的 StreamLAAL（越低越好），纵轴为 GEMBA 翻译质量分（越高越好）。结果显示，Hy-SimulMT 的 StreamLAAL 约为 3 秒，在图中列出的系统中最低；其 GEMBA 分数超过所比较的开源模型，以及五个商业 API 中的四个。官方特别说明，StreamLAAL 并不等同于首次语音输出的时间。
在短音频基准上，Hy-SimulMT 在 FLEURS、CoVoST2、ACL6060 和 RealSI-Sentence 四个公开数据集上接受了测试。其中 FLEURS 得分 90.3、ACL6060 得分 81.2、RealSI-Sentence 得分 84.7，均高于表中其他开源模型；RealSI-Sentence 的 84.7 也是所有列出系统中的最高分。不过在 CoVoST2 上，其得分为 75.5，低于部分对比模型，说明不同数据条件下的表现仍有差异。
为进一步贴近真实场景，腾讯混元收集了 2026 年 9 月以后新出现在网络上的 18 段中英文音频，每段约 6 分钟，覆盖软件与 AI、医学、制造与能源、自然科学、农业与食品、商业管理、法律、教育、文化与旅游、体育与日常生活等十个领域。同时邀请 6 位具有多年实战同传经验的译员参与对比，其中 3 位持有 CATTI 一级口译证书、3 位持有 CATTI 二级口译证书，每个证书级别取三位译员中的最高分进行比较。官方称，这一小规模能力评估显示 Hy-SimulMT 的翻译质量与专家人类同传相当，且响应速度往往更快（延迟更低）。不过官方也明确，该结论仅适用于所采用的样本、译员和评测设置，并不构成对语音质量、音色相似度等其他维度的全面评估。
配套工具方面，GitHub 仓库提供了 SimulInfer 推理服务和 SimulTrain 训练工具；语音输出与声音克隆功能需要配置 TTS 服务。用户也可在 Hy Translate App 中体验该模型，应用已提供 Android 与 iOS 版本。
从产业视角看，实时同传长期是语音 AI 中难度较高的方向，既要处理流式输入下的增量理解，又要保证译文质量与响应速度。Hy-SimulMT 以开源形式发布，并给出与商业 API 及人类译员的对比数据，为实时翻译赛道提供了一个可复现的参考基线。对关注 AI 应用的投资者而言，这类模型降低了实时语音翻译能力的获取门槛，可能加速会议、直播、跨境沟通等场景的产品化；但评测规模有限，实际部署中的稳定性、多语种扩展和 TTS 服务成本仍是后续需要观察的变量。