Em 26 de outubro de 2026 (horário da China), a equipe Hunyuan, que desenvolve a IA da chinesa Tencent, lançou o Hy-SimulMT, um modelo de IA de interpretação simultânea. Ele começa a traduzir enquanto a pessoa ainda está falando e gera a tradução em texto e em áudio. Funciona entre chinês e inglês nos dois sentidos e oferece a "reprodução de voz" (clonagem de voz), que gera o áudio traduzido com uma voz parecida com a de quem fala. Os pesos do modelo estão disponíveis no Hugging Face e em outros lugares, sob a licença Apache-2.0, que facilita o uso comercial.
O que é o Hy-SimulMT
O Hy-SimulMT é um modelo pensado para interações ao vivo, como reuniões, palestras e entrevistas. Ele vai traduzindo de forma contínua enquanto recebe o áudio.
A dificuldade da interpretação simultânea é que esperar a pessoa terminar de falar facilita entender o sentido, mas deixa o ouvinte esperando. A Tencent diz que desenvolveu o modelo buscando equilíbrio entre qualidade da tradução e velocidade. Um especialista em interpretação da Universidade de Estudos Estrangeiros de Guangdong que participou da avaliação disse que o jeito como ele começa a traduzir antes para reduzir o atraso e depois se corrige lembra as autocorreções de um intérprete humano.
Desempenho
A Tencent comparou o modelo com modelos abertos de outras empresas e com APIs comerciais no RealSI, um teste que avalia a interpretação simultânea em áudios longos.
- O indicador de atraso (StreamLAAL) ficou em cerca de 3 segundos, o menor entre os comparados; mas é um indicador diferente do tempo até sair o primeiro áudio
- A nota de qualidade da tradução (GEMBA) superou todos os modelos abertos comparados e 4 das 5 APIs comerciais
- Nos 4 testes com áudios curtos, obteve 84,7 no RealSI-Sentence, que traduz frase a frase, a nota mais alta da tabela
Além disso, com 18 áudios em chinês e inglês publicados na internet a partir de setembro de 2026 (cerca de 6 minutos cada), o modelo foi comparado com 6 intérpretes com os níveis 1 e 2 do CATTI, a certificação de tradução da China. Eram palestras e reuniões de 10 áreas, como software, medicina, direito e educação. Segundo a Tencent, ele traduziu com qualidade parecida com a dos intérpretes profissionais e, em muitos casos, mais rápido. A empresa ressalva, porém, que a comparação foi pequena e que o resultado vale apenas para esses áudios e condições. Todas as avaliações foram feitas pela própria Tencent.
Traduzir com a voz de quem fala
O Hy-SimulMT consegue gerar o áudio traduzido mantendo as características da voz da pessoa original. Segundo a Tencent, isso facilita distinguir quem está falando mesmo quando várias pessoas conversam. A página oficial traz demonstrações como a tradução para o chinês de um áudio em inglês com três pessoas falando.
Como usar e requisitos
O modelo publicado se chama Hy-SimulMT-30B-A3B. As variantes são estas:
- Um modelo que gera só a tradução e uma versão "Interleave", que gera ao mesmo tempo o texto da fala original e a tradução
- Para cada um, uma versão FP8 mais leve e uma em formato GGUF
No GitHub, também foram publicados o SimulInfer, para rodar o modelo, e o SimulTrain, para treinamento. O SimulInfer tem uma interface web em que dá para testar enviando arquivos de áudio ou falando no microfone. A configuração padrão exige uma máquina Linux com GPU da NVIDIA, e os pesos ocupam cerca de 57 GiB. O suporte no llama.cpp para rodar as versões GGUF ainda não foi incorporado ao projeto oficial. Para gerar a tradução em áudio ou reproduzir a voz, é necessário preparar à parte um sistema de síntese de voz (TTS).
Para o público em geral, a Tencent diz que também é possível testar no seu app de tradução "Hy Translate App" (Android e iOS). Não foi possível confirmar na página oficial se ele pode ser usado a partir do Japão.
A visão do CoAI
A interpretação simultânea de reuniões online e palestras é uma das aplicações de IA que mais geram expectativa. O que chama a atenção no Hy-SimulMT é oferecer atraso curto e reprodução de voz em um formato que qualquer pessoa pode rodar no próprio equipamento. Nos testes com áudios curtos, ele também foi comparado com os recursos de interpretação simultânea do Qwen, do Gemini, da OpenAI e de outros.
Por enquanto, porém, ele só declara oficialmente suporte a chinês e inglês, e o uso com japonês não está previsto. Vale testar para falar com parceiros do mundo de língua chinesa ou acompanhar palestras em inglês, mas os dados de desempenho vêm principalmente de avaliações da própria Tencent. A própria empresa diz que, em situações de grande responsabilidade ou que exigem a revisão de um especialista, os intérpretes profissionais continuam sendo importantes. E, como é um recurso capaz de reproduzir a voz de outras pessoas, é preciso cuidado ao usar, por exemplo obtendo o consentimento dos interlocutores.