IT之家10月26日消息，腾讯混元同声传译大模型Hy-SimulMT今日发布并开源，具备低时延、高准确率的特点，支持中英语言之间语音到语音实时翻译——说话人的音频可以实时输入到Hy-SimulMT模型中，模型会边听边译，实时给出译文和语音，并支持实时音色克隆，可以高度还原说话人声音和语气。该模型在腾讯Hy翻译App首发，免费提供服务体验。
IT之家从官方介绍获悉，低时延是模型的一大亮点，混元同声传译大模型Hy-SimulMT的响应时间实测在3秒左右，人类专业译员平均水平在4-5秒。测评结果显示，该模型的翻译效果超过了市面上主流的开源同传模型，甚至超过大部分的商用同传API。
官方称，在业界常用的长音频开源评测集RealSI上，Hy-SimulMT展示出了较好的同传翻译效果，见下图：
横轴里的StreamLAAL表示同传翻译的延迟指标，反映的模型输出翻译结果相比输入音频的延迟秒数，越低越好。纵轴表示翻译质量，使用GPT6.1-Sol进行打分，越高越好。Hy-SimulMT能做到延迟最低的情况下，效果达到开源模型最佳，甚至超过大多数商业API。
在短音频测试集上，Hy-SimulMT也有较好表现，见下图：
为了更准确评估Hy-SimulMT的真实水平，该团队在合规允许范围内，广泛收集了互联网上新出现的中文和英文音频，包含软件AI、医学、制造能源（850101）、自然科学、农业食品、商务管理、法律、教育、文化文旅、体育（884258）生活共十个领域，涉及演讲、访谈、会议等多个场景。
在这份数据上，该团队不仅测试了Hy-SimulMT的效果，也请多位人类同传专家对这些音频进行同声传译。
人类同传专家一共6位，其中3位拥有CATTI一级口译证书，3位拥有CATTI二级口译证书，所有专家都有多年的同传实战经验。测评对Hy-SimulMT和人类同传专家的翻译内容在延迟和翻译质量上对比，其中人类同传专家选取的是3个人中的最高分，在这次能力定位测评中，Hy-SimulMT在翻译的质量达到人类同传专家水平(得分更高)，速度更快(时延更低)。
参考
HuggingFace
Modelscope
Github
