El 26 de octubre de 2026 (hora de China), el equipo Hunyuan, que desarrolla la IA de la china Tencent, publicó Hy-SimulMT, un modelo de IA de interpretación simultánea. Empieza a traducir mientras el hablante todavía está hablando y genera la traducción en texto y en audio. Funciona entre chino e inglés en ambos sentidos y admite la «reproducción de voz» (clonación de voz), que emite el audio traducido con una voz parecida a la del hablante. Los pesos del modelo están disponibles en Hugging Face y otras plataformas con la licencia Apache-2.0, que facilita el uso comercial.
Qué es Hy-SimulMT
Hy-SimulMT es un modelo pensado para situaciones en directo, como reuniones, conferencias o entrevistas. Va traduciendo de forma continua mientras recibe el audio.
La dificultad de la interpretación simultánea es que, si se espera a que el hablante termine, es más fácil captar el sentido, pero se hace esperar al oyente. Tencent afirma que lo ha desarrollado buscando el equilibrio entre la calidad de la traducción y la velocidad. Un experto en interpretación de la Universidad de Estudios Extranjeros de Guangdong que participó en la evaluación señaló que su forma de empezar a traducir antes para reducir el retraso y corregirse después se parece a las autocorrecciones de un intérprete humano.
Rendimiento
Tencent lo comparó con modelos abiertos de otras empresas y con API comerciales en RealSI, una prueba que evalúa la interpretación simultánea con audios largos.
- El indicador de retraso (StreamLAAL) fue de unos 3 segundos, el más corto de los comparados; no obstante, es un indicador distinto del tiempo que tarda en salir el primer audio
- La puntuación de calidad de traducción (GEMBA) superó a todos los modelos abiertos comparados y a 4 de las 5 API comerciales
- En las 4 pruebas con audios cortos, obtuvo 84,7 en RealSI-Sentence, que traduce frase a frase, la puntuación más alta de la tabla
Además, con 18 audios en chino e inglés publicados en internet a partir de septiembre de 2026 (de unos 6 minutos cada uno), se comparó con 6 intérpretes con los niveles 1 y 2 de CATTI, la certificación oficial de traducción de China. Eran conferencias y reuniones de 10 campos, como el software, la medicina, el derecho o la educación. Según Tencent, tradujo con una calidad similar a la de los intérpretes profesionales y, en muchos casos, más rápido. Aun así, la empresa advierte de que la comparación es de pequeña escala y que el resultado se limita a esos audios y condiciones. Todas estas evaluaciones son de la propia Tencent.
Traducir con la voz del hablante
Hy-SimulMT puede generar el audio traducido conservando los rasgos de la voz del hablante original. Según Tencent, esto facilita distinguir quién está hablando incluso cuando intervienen varias personas. En la página oficial hay demos como la traducción al chino de un audio en inglés en el que hablan tres personas.
Uso y requisitos
El modelo publicado se llama Hy-SimulMT-30B-A3B. Estas son las variantes:
- Un modelo que solo da la traducción y una versión «Interleave», que da a la vez el texto de lo dicho originalmente y la traducción
- De cada uno, una versión FP8 aligerada y una en formato GGUF
En GitHub también se han publicado SimulInfer, para ejecutarlo, y SimulTrain, para el entrenamiento. SimulInfer incluye una interfaz web con la que se puede probar subiendo archivos de audio o con la entrada del micrófono. La configuración estándar requiere una máquina Linux con GPU de NVIDIA, y los pesos ocupan unos 57 GiB. La compatibilidad con llama.cpp para ejecutar las versiones GGUF aún no se ha incorporado al proyecto oficial. Para emitir la traducción en audio o reproducir la voz, hay que preparar aparte un sistema de síntesis de voz (TTS).
Para el público general, según Tencent, también se puede probar en su aplicación de traducción Hy Translate App (Android e iOS). En la página oficial no se pudo confirmar si se puede usar desde Japón.
El punto de vista de CoAI
La interpretación simultánea de reuniones en línea y conferencias es uno de los usos de la IA que más expectativas genera. Lo llamativo de Hy-SimulMT es que ofrece un retraso corto y reproducción de la voz en un formato que cualquiera puede ejecutar en su propio equipo. En las pruebas con audios cortos también se comparó con las funciones de interpretación simultánea de Qwen, Gemini y OpenAI, entre otros.
Sin embargo, por ahora solo declara oficialmente compatibilidad con chino e inglés, y no está previsto su uso con japonés. Merece la pena probarlo para tratar con socios del mundo de habla china o para seguir conferencias en inglés, pero los datos de rendimiento proceden sobre todo de evaluaciones de la propia Tencent. La empresa también reconoce que, en situaciones de gran responsabilidad o que requieren la revisión de un experto, los intérpretes profesionales siguen siendo importantes. Y como es una función capaz de reproducir la voz de otra persona, hay que usarla con cuidado, por ejemplo obteniendo el consentimiento de los interlocutores.