騰訊開源同聲傳譯模型 延遲表現勝過人類譯員

騰訊混元研究團隊於10月26日發布並開源一款名為 Hy-SimulMT 的同聲傳譯模型，針對的正是通常需要受過訓練的人員坐在隔音間裡進行的即時口譯。該模型接收講者的音訊，在講者仍在說話時就輸出翻譯後的語音，中英雙向互譯，無須等整句話說完。

最受矚目的數字是延遲。騰訊稱該系統約三秒即可回應，而專業人類同聲傳譯員平均需要四到五秒。在同聲傳譯中，這幾秒就是關鍵：延遲越長，聽眾越容易跟不上脈絡，講者與譯員也越難保持同步。該公司還宣稱，在多項評測中其翻譯品質達到人類會議口譯員的水準，領先主流開源模型與多數商用 API。

最可能吸引翻譯圈以外目光的功能，是即時音色複製。Hy-SimulMT 在輸出音訊中重現講者的聲音與語調，因此中文講者的英文表達聽起來就像本人，而非千篇一律的合成語音。這對會議、直播與旅遊而言是意義重大的一步，但也引發任何具備複製能力的系統都會招來的常見疑問：語音資料與當事人同意。

騰訊已將該模型放進旗下騰訊翻譯君應用程式，作為免費的搶先體驗，程式碼與權重則可在 HuggingFace、ModelScope 與 GitHub 取得。選擇開源而非藏在 API 之後，符合中國 AI 實驗室如今常見的做法：以開放發布建立開發者生態與公信力，同時商業競爭對手則把最好的系統保持閉源。

同聲傳譯已成擁擠的戰場。這個問題很適合 AI，因為它看重低延遲、穩定輸出，以及處理雜亂、重疊語音的能力，而這些正是大型語音模型近來大幅進步的領域。它也是少數具有明顯、可量測人類基準的 AI 任務之一：專業口譯員的速度與準確度，是任何人都能理解的衡量標準。

對全球受眾而言，實際影響與其說是取代口譯員，不如說是擴大使用機會。一套能在手機上運行的三秒語音轉語音流程，可讓商務通話、工廠導覽或醫院問診跨越語言障礙，無須預約服務。音色複製這一層讓體驗不那麼機械化，但也意味著這項技術能用一個人不會說的語言模仿其說話。

下一道考驗是實際應用。應用程式評價與開發者以開源權重打造的專案，將顯示三秒回應在吵雜音訊、濃重口音與專業術語下是否站得住腳，而這些正是實驗室評測往往對模型過於寬容的地方。騰訊此舉也對競爭對手形成壓力，迫使其公布可相比的延遲數據，讓買方能更清楚地評判這個至今多半靠示範影片運作的市場。