腾讯混元开源同传模型 Hy-SimulMT：中英实时语音互译，还能保留说话人音色
腾讯混元 10 月 26 日开源实时同声传译模型 Hy-SimulMT（30B 总参数、约 3B 激活），支持中英双向语音到语音翻译，边听边译并输出文字和语音，接入 TTS 后可克隆原说话人音色；权重采用 Apache-2.0，提供 FP8 和 GGUF 版本，自部署需要 Linux 加 NVIDIA 显卡。
腾讯混元团队在 10 月 26 日开源了实时同声传译模型 Hy-SimulMT，模型权重已上架 Hugging Face 合集和 ModelScope。
按官方仓库的介绍，它的主要特点是：
- 中英双向、语音到语音：一边接收音频一边翻译，同时给出译文文字和合成语音，不用等一句话讲完；
- 实时音色克隆：配好 TTS 服务后，译出来的声音会尽量保留原说话人的音色，多人对话时更容易分清谁在说话；
- 延迟较低：官方在 RealSI 长音频评测里给出的流式延迟指标约 3 秒，在其对比的系统里最低，翻译质量分高于对比的开源模型和多数商用接口（以上均为官方自测数据）；
- 多种版本：30B 总参数、约 3B 激活的 MoE 模型，分「只输出译文」和「原文加译文一起输出」两类，各有 FP8 量化和 GGUF 格式；
- 配套工具：SimulInfer 推理服务带网页界面、音频文件上传和实时 WebSocket 接口，SimulTrain 用于继续训练。
授权方面，仓库许可证文件写明 Hy-SimulMT 的代码和权重按 Apache-2.0 发布，第三方组件沿用各自原许可。自己部署需要 Linux、Python 3.12 以上和显存足够的 NVIDIA 显卡，基于 vLLM 运行；不想折腾的话，官方也提供了 Hy Translate App 可以直接体验。官方同时提醒，评测只代表其测试样本和设置，严肃、高风险场合仍建议由专业译员把关。
对创作者意味着什么： 做中英双语内容、海外访谈或出海短视频的创作者，多了一个可以自己部署、能保留原声音色的实时翻译方案：直播或连线采访时可以做实时字幕和译音参考，录好的中文口播也能先跑一版英文配音稿，再人工校对润色。不过 30B 的模型对显卡要求不低，个人电脑跑起来不一定轻松；音色克隆涉及他人声音时，务必先取得本人授权，成片里的翻译内容也要人工核对，别直接当最终稿发布。
信息来源：Hy-SimulMT GitHub 仓库（本文为编辑整理改写）
