腾讯混元开放中英同传模型：讲话还没结束，译文怎样跟上？

2026 年 10 月 26 日，腾讯混元发布 Hy-SimulMT，开放中译英、英译中的实时同声传译模型。它接收连续到来的音频，随着说话人往下讲给出译文。项目还提供运行模型的 SimulInfer 服务和训练工具。想先看效果，可以看官方示例；想把译文念出来，则需要另外配置语音合成服务（TTS）。混元项目与发布记录

假设活动主持人说：“下午两点出发……改一下，是两点半。”只核对最终文字，容易漏掉一个对现场观众很重要的问题：当观众第一次看到“两点”时，主持人讲到哪里了？当主持人改口，观众能不能从后续译文听懂最后决定的是两点半？

给活动做字幕测试时，可以把这两件事分开记。先听原声，记下首次看到译文的时刻，再看整段结束时传达的时间和动作。一个系统即使很早开始输出，也可能没跟上改口；另一个系统可能最终译得准确，却让听众在开头等很久。项目公布了自己的评测和示例，上面这段话是可自行尝试的素材。

1. 先看一段已有的同传。 打开官方仓库的示例部分，选一个能听懂原语的片段，对照说话节奏与译文。仓库也列出 Hy Translate 移动应用的安卓和 iOS 入口，方便先体验。示例与应用入口
2. 用自己的材料做对照。 已有推理服务时，等服务报告就绪，在运行服务的机器上打开 http://127.0.0.1:8080/，选择中译英或英译中，再上传短录音或使用麦克风，结束时点 Stop and finish。远程网页使用麦克风需要 HTTPS。如果要自己部署官方 vLLM 路径，先确认有 Linux、Python 3.12 或更高版本、Git、显存充足的 NVIDIA GPU 和兼容的 CUDA 驱动，再跟随仓库的部署说明。部署条件与网页入口
3. 按用途检查结果。 想做字幕，先核对刚才的“两点半”有无被听懂、听众等了多久。想做耳机里的译音，再配置语音合成并听最终播报。只有文字结果时，仍然可以完成第一项检查。