周三早上十点有个英文评审会，你戴着耳机，对方讲到第三页 PPT，字幕翻译还停在第一页的最后一句话。市面上的商用同传 API 按分钟收费，一场两小时的跨国会开下来，成本不比请真人译员便宜多少。10 月 26 日，腾讯混元把自家的同声传译大模型 Hy-SimulMT 开源了：中英双向、语音进语音出、边听边译，官方给的实测响应时延在 3 秒左右——作为对照，人类专业译员的平均水平是 4 到 5 秒。
先用数据说清楚它的底子。在业界常用的长音频评测集 RealSI 上，Hy-SimulMT 做到了”延迟最低 + 质量最高”同时成立，翻译质量分数超过了参与对比的全部开源同传模型，也超过了 5 个商用 API 中的 4 个。腾讯另外收集了 18 段真实场景音频，请 6 位持 CATTI 一级或二级证书的同传译员做对照，在这次限定测评里，模型的翻译质量达到了参测译员的水平，速度更快。注意这个结论的范围：它说的是”这次测评”，不等于所有场景都能顶替真人。
路线一：装个 App 就能用，免费
大多数人不用碰代码。Hy-SimulMT 在「腾讯 Hy 翻译」App 里首发，免费提供体验，iOS 和 Android 都有，App Store 中国区（含港澳台）已经上架。装好之后选好翻译方向，对着手机说话就行，译文和语音几乎是同步出来的。这个 App 本身支持 33 种语言互译，同传能力是其中新上的部分。11 月深圳开 APEC 会议，它就是志愿者的官方 AI 翻译应用，能上这种场合，稳定性多少有点背书。
路线二：本地部署，给技术党
想自己跑模型，门槛比装 App 高不少，但过程是标准化的：
- 下载模型：Hugging Face 或 ModelScope 上有完整合集。命名规律好认：Hy-SimulMT-30B-A3B 是基础版（只输出译文），带 Interleave 的是原文加译文对照输出，FP8 和 GGUF 后缀是量化版，显存紧张就优先看这两个。
- 准备环境：Linux 系统、Python 3.12 以上、一块装得下模型的 NVIDIA GPU。官方没公布最低显存，30B 级别的模型别指望入门卡。
- 一键部署：git clone 官方仓库，进 SimulInfer 目录，跑
bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave，脚本会自动装依赖、起 vLLM 和网页服务。默认模型服务走 8800 端口，网页和 API 走 8080。 - 开始翻译：终端出现 Ready 后，浏览器打开 127.0.0.1:8080，选翻译方向，传音频文件或直接开麦克风。也支持命令行流式调用：
curl -N http://127.0.0.1:8080/translate/stream -F direction=en-zh -F file=@audio.wav，中译英把 direction 换成 zh-en。
几个容易踩的坑
别把”3 秒”理解错了。官方说的约 3 秒是 StreamLAAL 流式滞后指标，衡量的是译文输出相对输入音频的整体延迟，不是”说完一句话 3 秒后译文语音就出来”。对延迟敏感的场合要有心理预期。
同传”先开口、后修补”是设计不是 bug。为了压延迟，系统会先说出主干信息，再补一句修正，听感接近人类译员的自我修正。第一次用觉得”它怎么话说一半又改口”，这是特性。
语音输出和音色克隆要另配 TTS。模型本体负责识别加翻译、输出文本，音色克隆由独立的 TTS 组件完成，本地部署时需要在 config.toml 里配置，纯文本翻译不用管。另外远程用麦克风必须走 HTTPS，本地 127.0.0.1 才能用 http。
高风险场合请人。官方自己都写明了：需要严格责任判断、专业审校的场景，比如法律、医疗、正式商务谈判，专业译员仍然不可替代。而且这条链路是级联架构，语音识别的错误会往下游传导，嘈杂环境里效果会打折扣。
FAQ
Q：完全免费吗？
A：Hy 翻译 App 的同传功能免费体验；开源权重可以自部署，但服务器和电费自理。
Q：除了中英还支持别的语言吗？
A：同传模型目前主打中英双向；Hy 翻译 App 整体支持 33 种语言互译，是否都能走同传模式以 App 内实际提供为准。
Q：没有 Linux 和 GPU 能玩吗？
A：能，走 App。本地部署是给有服务器或者想二开的人准备的。
Q：跟录音转文字工具比呢？
A：定位不同。会开完了再做纪要，用 Whisper 那类转写工具就行（参考我们之前写的录音转文字免费方案）；需要当场听懂、当场回应，才轮到实时同传。如果你对零代码搭建自动化流程有兴趣，也可以看看扣子（Coze）搭建教程。