Tencent veröffentlicht Simultandolmetsch-Modell Hy-SimulMT als Open Source

Modelle

Tencent hat am 26. Oktober sein Hunyuan-Modell für Simultandolmetschen Hy-SimulMT veröffentlicht und als Open Source freigegeben. Das Modell übersetzt gesprochene Sprache in Echtzeit zwischen Chinesisch und Englisch, von Sprache zu Sprache. Nutzer können Audio eines Sprechers direkt einspeisen, das Modell übersetzt simultan und gibt Text und gesprochene Übersetzung aus. Es beherrscht außerdem Echtzeit-Stimmklonen, das Klang und Tonfall des Sprechers nachbilden soll. Das Modell ist laut der Meldung bereits kostenlos in Tencents App Hy Translate nutzbar, der Code steht zugleich auf HuggingFace, ModelScope und GitHub.

Kernkennzahl ist laut Tencent die Latenz: In Tests lag die Reaktionszeit bei rund 3 Sekunden, menschliche professionelle Dolmetscher brauchen im Schnitt 4 bis 5 Sekunden. Beim Vergleich mit sechs zertifizierten Simultandolmetschern, drei mit CATTI-Zertifizierung Stufe 1 und drei mit Stufe 2, anhand von Audiomaterial aus den Bereichen Software/KI, Medizin, Fertigung/Energie und Wirtschaft/Management erreichte Hy-SimulMT eine StreamLAAL-Latenz von 3,3 Sekunden, gegenüber 4,5 Sekunden bei den Stufe-1- und 4,7 Sekunden bei den Stufe-2-Experten. Die Übersetzungsqualität habe dabei laut der Meldung das Niveau menschlicher Simultandolmetscher erreicht. Auf dem Langaudio-Testset RealSI, bei dem StreamLAAL die Latenz und GEMBA, bewertet von GPT6.1-Sol, die Übersetzungsqualität misst, erzielte Hy-SimulMT bei rund 3,1 Sekunden Latenz etwa 86 Punkte, die niedrigste Latenz und beste Qualität unter offenen Modellen, besser als die meisten kommerziellen Simultandolmetsch-APIs. In vier Kurzaudio-Tests erreichte das Modell beim RealSI-Sentence-Test mit 84,7 Punkten den Spitzenwert sowie bei FLEURS (90,3) und ACL6060 (81,2) jeweils den besten Wert unter offenen Modellen; Gemini 3.5-LiveTranslate lag bei FLEURS (92,4) und ACL6060 (82,6) jeweils vorn.

Das Modell setzt laut Tencent auf eine Strategie des Zuerst-Sprechen-dann-Nachbessern, um die Latenz niedrig zu halten; Korrekturen sollen sich dabei ähnlich anhören wie die Selbstkorrektur menschlicher Dolmetscher. Wang Weiwei, Vizedekanin des Instituts für Dolmetschen und Übersetzen der Guangdong University of Foreign Studies, und Zhong Weihe, früherer Vizepräsident des Übersetzerverbands Chinas, bewerten laut der Meldung Spracherkennung, Reaktionsgeschwindigkeit und Sprachausgabe des Modells positiv und sehen darin einen Schritt, maschinelles Simultandolmetschen in reale Einsatzszenarien zu bringen.

Für mich ist entscheidend, dass Tencent Code und Gewichte offen auf HuggingFace, ModelScope und GitHub bereitstellt. Das senkt die Hürde für andere Entwickler, eigene Simultandolmetsch-Anwendungen zu bauen, statt teure kommerzielle APIs zu mieten. Wer bisher auf Gemini oder ähnliche geschlossene Systeme gesetzt hat, bekommt damit eine freie Alternative, die laut den berichteten Werten bei der Latenz vorn liegt und bei der Qualität nah heranreicht. Bemerkenswert finde ich, dass die Vergleichswerte gegen echte CATTI-zertifizierte Dolmetscher laufen und nicht nur gegen andere Modelle. Das macht die Latenzangaben konkreter als reine Modell-gegen-Modell-Vergleiche.

Offen bleibt: Alle Latenz- und Qualitätswerte stammen aus Tests, die Tencent selbst durchgeführt und veröffentlicht hat; eine unabhängige Prüfung nennt die Quelle nicht.

Quelle: AIbase News