开源同传 3 秒开口，质量分超 4 家商业 API：API 货架要上新类目了

开源同传「3 秒开口」

10 月 26 日，腾讯混元开源 Hy-SimulMT 实时同声传译模型，支持中文与英文之间的双向语音到语音翻译：持续接收说话人的音频流，边听边译，同步给出译文文字与语音，并支持实时声音克隆，让译文保留说话人原有的声音特点。Hugging Face 与 ModelScope 上给出的开源版本包括 Hy-SimulMT-30B-A3B 及其 FP8 量化版，模型卡标注支持 llama.cpp（HF 模型卡信息）。

实时同传里最难的不是「能不能翻」，而是「什么时候开口」：等语义完整，听众就等得更久；开口早，对增量理解要求更高。Hy-SimulMT 瞄准的正是质量与延迟之间的这笔账。

基准：延迟最低，质量超 5 家商业 API 里的 4 家

在开源 RealSI 长音频评测中，Hy-SimulMT 的流式延迟 StreamLAAL 约 3 秒，为对比系统中最低；GEMBA 翻译质量分高于所比开源模型，也超过五个商业 API 中的四个（基准数据为厂商自报，详见腾讯官方页与 GitHub 仓库）。短音频测试集上，其 RealSI-Sentence 得分 84.7 为所列系统最高；FLEURS 上 90.3，略低于 Gemini 3.5 LiveTranslate 的 92.4——开源没有全项碾压，但已站到第一梯队。

开发者接入：不是「交钥匙」，但成本上限清晰

官方仓库提供 SimulInfer 推理服务与 SimulTrain 训练工具，但语音输出与声音克隆需要另行配置 TTS 服务——开源包给的是同传模型本体，推理、TTS、流式管线要开发者自己拼装。30B 总参数、每 token 激活 3B（MoE 架构，HF 模型卡口径），自部署门槛不低；换来的是自部署后不再按 token 计费，成本落到算力固定摊销上。对会议、直播、访谈这类长流场景，这与商业 API 的账单是两种完全不同的财务模型。

聚合平台货架上，三件事在变

一，新类目在冒头。「流式同传通道」：实时语音到语音＋声音克隆，和文本翻译 API 不是一回事——产品形态是流，计费单位应按分钟/会话而非 token，SLA 维度是延迟预算与断流容忍。聚合平台可以在「语音」货架下开一档接住这个类目，目前多数厂商货架上只有文本翻译与 TTS/ASR 两档，流式同传一档还是空位。

二，定价压力来了。开源模型基准分超过五家商业同传 API 中的四家，意味着这个场景的「质量溢价」正在被一个免费选项挑战。商业厂商的应对路径有二：要么用更低延迟的 SLA 承诺、私有化部署等企业级能力拉开身位，要么直接降价保量。接下来一个季度，商业同传 API 的报价单大概率往下走。

三，选型判断。在必须把延迟锁进 3 秒以内的场景，把开源自部署与商业 API 并排放进同一类目页，让用户在「成本档」和「服务档」之间自己选，是聚合平台扩货架的标准动作。同时盯住后续开源模型的 GEMBA 与 StreamLAAL 走势：两个数字继续收拢，商业 API 在这个场景的护城河会进一步收窄。

一点提醒：基准对比中的 5 个商业 API 未公开产品名，「4/5」只是方向性参考；落地前用自己的真实语料（会议录音、直播回放）跑一遍闭环复核，质量达标后先跑自部署试点、再定商业切换阈值。

来源标注：腾讯混元官方开源模型页、Tencent-Hunyuan/Hy-SimulMT GitHub 仓库、Hugging Face 模型卡、「读懂AI时代」AI 新闻日报（2026-10-26）；基准数值为厂商自报。