Pada 26 Oktober 2026 (waktu Tiongkok), tim Hunyuan, tim pengembang AI di perusahaan Tiongkok Tencent, merilis "Hy-SimulMT", model AI untuk penerjemahan simultan. Model ini mulai menerjemahkan saat pembicara masih berbicara, lalu menghasilkan terjemahan dalam bentuk teks dan suara. Model ini mendukung penerjemahan dua arah antara bahasa Mandarin dan Inggris, serta mendukung "reproduksi suara (voice clone)" yang membuat suara terjemahan mirip dengan suara pembicara. Bobot model dirilis dengan lisensi Apache-2.0 yang mudah digunakan, termasuk untuk keperluan komersial, di Hugging Face dan platform lainnya.
Apa itu Hy-SimulMT
Hy-SimulMT dirancang untuk digunakan dalam interaksi langsung seperti rapat, ceramah, dan wawancara. Model ini menerima suara sambil terus menghasilkan terjemahan.
Kesulitan penerjemahan simultan terletak pada dilema berikut: menunggu pembicara selesai memang memudahkan pemahaman makna, tetapi membuat pendengar harus menunggu. Tencent menyatakan bahwa model ini dikembangkan dengan mengutamakan keseimbangan antara kualitas terjemahan dan kecepatan. Seorang pakar penerjemahan lisan dari Guangdong University of Foreign Studies yang ikut dalam evaluasi menilai bahwa cara model ini mulai menerjemahkan lebih dulu untuk menekan jeda lalu meralatnya kemudian mirip dengan cara juru bahasa manusia meralat ucapannya.
Performa
Tencent membandingkan model ini dengan model terbuka dari perusahaan lain dan API komersial menggunakan "RealSI", uji yang mengevaluasi penerjemahan simultan pada audio panjang.
- Indikator jeda (StreamLAAL) sekitar 3 detik, yang terpendek di antara model yang dibandingkan. Namun, indikator ini berbeda dengan waktu hingga suara pertama keluar
- Skor kualitas terjemahan (GEMBA) melampaui semua model terbuka yang dibandingkan, serta melampaui 4 dari 5 API komersial
- Dalam 4 uji audio pendek, model ini meraih skor 84,7 di RealSI-Sentence yang menerjemahkan per kalimat, skor tertinggi dalam tabel
Selain itu, Tencent membandingkannya dengan 6 juru bahasa pemegang sertifikasi penerjemahan Tiongkok CATTI tingkat 1 dan 2, menggunakan 18 audio berbahasa Mandarin dan Inggris (masing-masing sekitar 6 menit) yang dipublikasikan di internet sejak September 2026. Audio tersebut berupa ceramah dan rapat dari 10 bidang, termasuk perangkat lunak, kesehatan, hukum, dan pendidikan. Tencent menyatakan model ini mampu menerjemahkan dengan kualitas setara juru bahasa profesional, dan dalam banyak kasus lebih cepat. Namun, perusahaan menegaskan bahwa perbandingan ini berskala kecil dan hasilnya terbatas pada audio dan kondisi kali ini. Semuanya merupakan evaluasi Tencent sendiri.
Menerjemahkan dengan suara pembicara asli
Hy-SimulMT bisa membuat suara terjemahan sambil mempertahankan karakteristik suara pembicara aslinya. Menurut Tencent, hal ini memudahkan pendengar membedakan siapa yang sedang berbicara, bahkan dalam situasi dengan banyak pembicara. Halaman resminya menampilkan demo, antara lain penerjemahan audio berbahasa Inggris dengan tiga pembicara ke bahasa Mandarin.
Cara penggunaan dan lingkungan yang dibutuhkan
Model yang dirilis bernama "Hy-SimulMT-30B-A3B". Jenisnya adalah sebagai berikut.
- Model yang hanya menghasilkan terjemahan, dan versi "Interleave" yang menghasilkan teks ucapan asli bersama terjemahannya
- Masing-masing tersedia dalam versi FP8 yang lebih ringan dan versi berformat GGUF
Di GitHub, Tencent juga merilis "SimulInfer" untuk menjalankan model dan "SimulTrain" untuk pelatihan. SimulInfer memiliki antarmuka web, sehingga pengguna bisa mencobanya dengan mengunggah file audio atau memberi input dari mikrofon. Prosedur standarnya memerlukan mesin Linux dengan GPU NVIDIA, dan ukuran bobotnya sekitar 57 GiB. Dukungan llama.cpp untuk menjalankan format GGUF belum digabungkan ke proyek utamanya. Untuk menghasilkan terjemahan dalam bentuk suara atau mereproduksi suara, pengguna perlu menyiapkan sistem sintesis suara (TTS) secara terpisah.
Untuk masyarakat umum, Tencent menyebut model ini juga bisa dicoba di aplikasi penerjemah Tencent "Hy Translate App" (Android dan iOS). Apakah aplikasi ini bisa digunakan dari Jepang tidak dapat dipastikan dari halaman resminya.
Pandangan Redaksi CoAI
Penerjemahan simultan untuk rapat daring dan ceramah adalah bidang penggunaan AI yang sangat dinantikan. Yang menarik perhatian dari Hy-SimulMT adalah jeda yang singkat dan reproduksi suara, yang dirilis dalam bentuk yang bisa dijalankan siapa saja di perangkat sendiri. Dalam uji audio pendek, model ini juga dibandingkan dengan fitur penerjemahan simultan dari Qwen, Gemini, OpenAI, dan lainnya.
Namun, untuk saat ini dukungan yang dinyatakan secara resmi hanya bahasa Mandarin dan Inggris, dan penggunaan dalam bahasa Jepang tidak diperhitungkan. Model ini layak dicoba untuk berkomunikasi dengan mitra bisnis berbahasa Mandarin atau menyimak ceramah berbahasa Inggris, tetapi data performanya sebagian besar berasal dari evaluasi Tencent sendiri. Tencent pun menyatakan bahwa dalam situasi berisiko tinggi atau yang memerlukan pemeriksaan ahli, juru bahasa profesional tetap penting. Karena fitur ini juga bisa mereproduksi suara orang lain, penggunaannya perlu kehati-hatian, misalnya dengan meminta persetujuan pihak yang bersangkutan.