Tencent Hunyuan da un paso audaz en la traducción simultánea con el lanzamiento y apertura de Hy-SimulMT. Este modelo de interpretación de voz a voz traduce del chino al inglés y viceversa mientras el orador aún habla, clonando su voz en tiempo real para que los oyentes escuchen la traducción con un timbre similar al original. Actualmente, está disponible de forma gratuita en la aplicación Hy Translate.
Latencia y benchmarks: la métrica que cambia el juego
El dato clave en la interpretación en vivo es la latencia. Tencent la mide con StreamLAAL, una métrica estándar para el retraso en traducción de streaming, y reporta unos 3 segundos en el benchmark de formato largo RealSI, el más bajo entre los sistemas comparados. El proyecto aclara que StreamLAAL no equivale al tiempo hasta escuchar la primera palabra traducida. Para ponerlo en perspectiva, el retraso típico de intérpretes humanos profesionales ronda los 4 a 5 segundos.
En cuanto a calidad, el puntaje GEMBA de Hy-SimulMT en formato largo superó a los modelos abiertos de la comparación y a cuatro de las cinco APIs comerciales probadas. En conjuntos de formato corto, obtuvo los siguientes resultados:
- FLEURS: 90.3
- CoVoST2: 75.5
- ACL6060: 81.2
- RealSI-Sentence: 84.7 (el más alto de todos los sistemas listados)
La prueba contra intérpretes humanos
El equipo de Tencent comparó el modelo con intérpretes humanos en 18 grabaciones de unos seis minutos cada una, registradas desde septiembre de 2026 en adelante y abarcando 10 dominios. Participaron seis intérpretes: tres con el certificado de interpretación CATTI Nivel 1 de China (el más alto) y tres con el Nivel 2, utilizando el mejor resultado de cada nivel. Tencent califica esta prueba como una evaluación a pequeña escala.
Wang Weiwei, vicedecano de la Escuela de Estudios de Interpretación y Traducción de la Universidad de Estudios Extranjeros de Guangdong, declaró en notas publicadas con el lanzamiento que el sistema habla primero y se corrige después, de manera similar a un intérprete humano. Añadió que la interpretación por IA está pasando de ser una herramienta para ayudar a la comprensión hacia una comunicación utilizable en entornos de bajo riesgo.
Arquitectura técnica y herramientas de despliegue
El modelo liberado es un sistema mixture-of-experts de 30B-A3B, con compilaciones FP8 y GGUF, y una variante Interleave que también genera la transcripción del idioma de origen. La tarjeta en Hugging Face detalla una licencia Apache 2.0. Tencent incluye dos herramientas fundamentales:
- SimulInfer: Un stack de servicio construido sobre vLLM con interfaz web, API WebSocket y síntesis de texto a voz (TTS) opcional.
- SimulTrain: Una herramienta para entrenamiento adicional con datos de dominios específicos.
El soporte para llama.cpp aún no ha sido fusionado. Este lanzamiento continúa la línea de los modelos de traducción abiertos anteriores de Hunyuan, pero traslada la frontera del texto a la voz en vivo, el escenario donde el retraso es el factor más crítico.
Fuente: Pandaily (China AI)