Le 26 octobre 2026 (heure de Chine), l'équipe Hunyuan, qui développe l'IA du chinois Tencent, a publié Hy-SimulMT, un modèle d'IA d'interprétation simultanée. Il commence à traduire alors que l'orateur parle encore, et produit la traduction sous forme de texte et d'audio. Il fonctionne du chinois vers l'anglais et inversement, et prend en charge la « reproduction de la voix » (clonage de voix), qui restitue la traduction avec une voix proche de celle de l'orateur. Les poids du modèle sont disponibles notamment sur Hugging Face, sous la licence Apache-2.0, qui facilite l'usage commercial.
Qu'est-ce que Hy-SimulMT ?
Hy-SimulMT est conçu pour les échanges en direct, comme les réunions, les conférences ou les interviews. Il traduit en continu à mesure qu'il reçoit l'audio.
Toute la difficulté de l'interprétation simultanée tient à ceci : attendre la fin de la phrase aide à en saisir le sens, mais fait attendre l'auditeur. Tencent dit avoir cherché l'équilibre entre qualité de traduction et rapidité. Un spécialiste de l'interprétation de l'Université des études étrangères du Guangdong, qui a participé à l'évaluation, estime que sa manière de commencer à traduire en avance pour limiter le décalage, puis de se reprendre, ressemble aux autocorrections d'un interprète humain.
Performances
Tencent l'a comparé à des modèles ouverts d'autres entreprises et à des API commerciales sur RealSI, un test qui évalue l'interprétation simultanée sur de longs enregistrements.
- L'indicateur de décalage (StreamLAAL) est d'environ 3 secondes, le plus court des modèles comparés ; il s'agit toutefois d'un indicateur distinct du délai avant la sortie du premier son
- Le score de qualité de traduction (GEMBA) dépasse tous les modèles ouverts comparés et 4 des 5 API commerciales
- Sur les 4 tests portant sur des enregistrements courts, il obtient 84,7 sur RealSI-Sentence, qui traduit phrase par phrase, soit le meilleur score du tableau
Tencent l'a en outre comparé à 6 interprètes titulaires des niveaux 1 et 2 du CATTI, la certification de traduction chinoise, sur 18 enregistrements en chinois et en anglais (environ 6 minutes chacun) mis en ligne à partir de septembre 2026. Il s'agissait de conférences et de réunions dans 10 domaines, dont le logiciel, la médecine, le droit et l'éducation. Selon Tencent, le modèle a traduit avec une qualité comparable à celle des interprètes professionnels, et souvent plus vite. L'entreprise précise toutefois que cette comparaison est de petite ampleur et que ses résultats valent pour ces enregistrements et ces conditions. Toutes ces évaluations ont été menées par Tencent elle-même.
Traduire avec la voix de l'orateur
Hy-SimulMT peut produire la traduction orale en conservant les caractéristiques de la voix de l'orateur d'origine. Selon Tencent, il devient ainsi plus facile de savoir qui parle, même quand plusieurs personnes interviennent. La page officielle propose des démos, comme la traduction en chinois d'un enregistrement en anglais où parlent trois personnes.
Utilisation et configuration requise
Le modèle publié s'appelle Hy-SimulMT-30B-A3B. Les variantes sont les suivantes :
- Un modèle qui ne produit que la traduction, et une version « Interleave » qui produit à la fois la transcription du discours d'origine et la traduction
- Pour chacun, une version allégée en FP8 et une version au format GGUF
Sur GitHub, Tencent a aussi publié SimulInfer, pour exécuter le modèle, et SimulTrain, pour l'entraînement. SimulInfer dispose d'une interface web qui permet de tester le modèle en envoyant un fichier audio ou en parlant au micro. La configuration standard exige une machine Linux équipée d'un GPU NVIDIA, et les poids occupent environ 57 GiB. La prise en charge dans llama.cpp, nécessaire pour faire tourner les versions GGUF, n'a pas encore été intégrée au projet officiel. Pour obtenir la traduction sous forme audio ou reproduire la voix, il faut prévoir en plus un système de synthèse vocale (TTS).
Pour le grand public, Tencent indique qu'il est aussi possible de l'essayer dans son application de traduction Hy Translate App (Android et iOS). La page officielle ne permet pas de savoir si elle est utilisable depuis le Japon.
Le regard de CoAI
L'interprétation simultanée des réunions en ligne et des conférences est l'un des usages de l'IA les plus attendus. Hy-SimulMT se distingue en proposant un faible décalage et la reproduction de la voix sous une forme que chacun peut faire tourner sur sa propre machine. Lors des tests sur des enregistrements courts, il a aussi été comparé aux fonctions d'interprétation simultanée de Qwen, Gemini, OpenAI et d'autres.
Pour l'instant, il ne revendique toutefois officiellement que le chinois et l'anglais, et son utilisation en japonais n'est pas prévue. Il mérite d'être essayé pour échanger avec des partenaires sinophones ou suivre des conférences en anglais, mais les performances annoncées reposent surtout sur les évaluations de Tencent. L'entreprise reconnaît elle-même que, dans les situations à fort enjeu ou nécessitant la vérification d'un spécialiste, les interprètes professionnels restent essentiels. Et comme cette fonction permet de reproduire la voix d'autrui, elle doit être utilisée avec précaution, par exemple en obtenant le consentement des personnes concernées.