国际会议的同传箱里，那副耳机背后的人，是拿秒表计时的。
发言人讲完一句，译员的译文要在 4 到 5 秒内跟上。腾讯混元 10 月 26 日开源的同声传译模型 Hy-SimulMT，官方给的实测响应是 3 秒左右。
差的那一秒多，是同传这行练十几年的东西。
先搞清楚同传为什么慢
真同传不是听完再翻。
是边听边翻：听到半句就开始组句，靠预测往前跑，译错了再回头改。所以延迟和质量天生打架。等得越久，上下文越全，译得越准；抢得越急，越容易翻错。
官方给的指标是 StreamLAAL，说白了就是译文比原声滞后几秒，越小越好。他们画的图上，横轴延迟，纵轴质量，用 GPT6.1-Sol 打分。在这套坐标里，Hy-SimulMT 落在「延迟最低、质量还最高」的那个角上，官方说超过了大部分商业同传 API。
【个人看法】厂商自己画的坐标图只能当参考。横轴纵轴都是自己选的，别人家的点也是自己标的，真正的考场在下一节。
6 位持证译员，坐了同一场盲听
为了不只比跑分，团队自己搭了一套数据：从互联网上收了新出现的中英文音频，覆盖十个领域——软件 AI、医学、制造能源、自然科学、农业食品、商务管理、法律、教育、文化文旅、体育生活，场景包括演讲、访谈、会议。
然后请了 6 位人类同传专家在同批音频上做同传。其中 3 位持 CATTI 一级口译证书，3 位持二级，都有多年实战。
评两件事：延迟，质量。人类那边取 3 个人里的最高分。
结果是模型的质量得分更高，时延更低。
【个人看法】这组数据能说明方向，但撑不起「机器超过人类」这句话。样本只有 6 位专家，音频是网络来源，不是真会场。印度口音、方言、抢话、回声、临时改口，这些考场外的题这次没考。实验室里的 3 秒，和会场里的 3 秒，不是一回事。
音色克隆，好用的一半和危险的一半
比低延迟更值得说的是音色克隆。
模型能把译文用你自己的声音读出来，官方说能还原说话人的音色和语气。你讲中文，耳机里出来的是「你的声音在讲英文」。
好用的一半很实在：跨国会议不用另找配音，客户听到的声纹还是你；直播、课程、对外沟通，不用为了语言换一个人说话。
危险的一半也很实在：声音是现在最容易伪造的身份凭证。这套模型已经开源，人人能跑。
门槛降下来的时候，它同时朝着两个方向降。
【暂无相关资料】音色克隆有没有强制水印、有没有授权校验、被冒用怎么追责，官方公开材料里我没找到答案。这事不该靠猜。
三个平台开源，App 先免费
按官方说法，模型已经放到 HuggingFace、ModelScope、GitHub，同时接进了腾讯 Hy 翻译 App，免费体验。
两条路不一样。用 App 是直接说、直接用；自己部署要算力。3 秒的延迟意味着流式推理得常驻，不是随便一台机器开个脚本就能跑起来。
【个人看法】同传这种活，拼到最后拼的是延迟，本地部署拼的是显卡不是模型。想省钱自己搭一套，很容易发现省下的钱变成了电费和调试时间。
谁先受影响
第一波是干活要用外语的人。跨境做生意的、开英文会的、追海外发布会的。以前靠逐句粘贴翻译的那套流程，能省下来。
第二波是内容方。多语字幕、配音、课程本地化，成本要往下塌一大截。
第三波才轮到低价笔译和初级口译。不是整个岗位消失，是单价最先被吃掉。
留下来的那部分，是坐在谈判桌边上，听出一句话背后的火气，判断这句该软还是该硬。工具翻的是你说出口的词，翻不出你没说出口的那半句。
【个人看法】机器把「听懂」变便宜了，把「听懂之后怎么接」变贵了。这两件事同时发生，只是第二件不那么显眼。
觉得有用点个在看，转给那个每次英文会议都全程点头的同事