ทีม Hunyuan ซึ่งพัฒนา AI ของ Tencent บริษัทสัญชาติจีน เปิดตัว "Hy-SimulMT" โมเดล AI สำหรับการล่ามแปลพร้อมกัน เมื่อวันที่ 26 ตุลาคม 2026 (เวลาจีน) โมเดลนี้เริ่มแปลตั้งแต่ผู้พูดยังพูดไม่จบ และให้ผลลัพธ์ทั้งข้อความและเสียงที่แปลแล้ว รองรับการแปลภาษาจีนและภาษาอังกฤษทั้งสองทิศทาง และรองรับ "การจำลองเสียง (voice clone)" ที่ทำให้เสียงแปลคล้ายเสียงของผู้พูด น้ำหนักโมเดลเผยแพร่บน Hugging Face และแพลตฟอร์มอื่น ๆ ภายใต้สัญญาอนุญาต Apache-2.0 ที่ใช้งานได้สะดวกแม้ในเชิงพาณิชย์
Hy-SimulMT คืออะไร
Hy-SimulMT ออกแบบมาสำหรับการสื่อสารแบบสด เช่น การประชุม การบรรยาย และการสัมภาษณ์ โมเดลจะรับเสียงเข้ามาพร้อมกับทยอยให้คำแปลออกมาอย่างต่อเนื่อง
ความยากของการล่ามแปลพร้อมกันอยู่ที่ หากรอให้ผู้พูดพูดจบก็จะเข้าใจความหมายได้ง่ายขึ้น แต่ผู้ฟังก็ต้องรอนานขึ้น Tencent ระบุว่าพัฒนาโมเดลนี้โดยเน้นสมดุลระหว่างคุณภาพการแปลและความเร็ว ผู้เชี่ยวชาญด้านล่ามจาก Guangdong University of Foreign Studies ซึ่งร่วมการประเมิน ให้ความเห็นว่าการที่โมเดลเริ่มแปลไปก่อนเพื่อลดความหน่วงแล้วค่อยพูดแก้ใหม่ภายหลังนั้น ใกล้เคียงกับการพูดแก้ของล่ามที่เป็นมนุษย์
ประสิทธิภาพ
Tencent เปรียบเทียบโมเดลนี้กับโมเดลแบบเปิดของบริษัทอื่นและ API เชิงพาณิชย์ ด้วย "RealSI" ซึ่งเป็นชุดทดสอบที่ประเมินการล่ามแปลพร้อมกันกับเสียงที่มีความยาว
- ตัวชี้วัดความหน่วง (StreamLAAL) อยู่ที่ราว 3 วินาที สั้นที่สุดในกลุ่มที่นำมาเทียบ แต่เป็นตัวชี้วัดที่ต่างจากเวลาจนกว่าเสียงแรกจะออกมา
- คะแนนคุณภาพการแปล (GEMBA) สูงกว่าโมเดลแบบเปิดทุกตัวที่นำมาเทียบ และสูงกว่า API เชิงพาณิชย์ 4 จาก 5 ราย
- ในการทดสอบเสียงสั้น 4 รายการ โมเดลได้ 84.7 คะแนนใน RealSI-Sentence ซึ่งแปลทีละประโยค เป็นคะแนนสูงสุดในตาราง
นอกจากนี้ Tencent ยังเปรียบเทียบกับล่าม 6 คนที่ถือใบรับรองการแปลของจีน CATTI ระดับ 1 และระดับ 2 โดยใช้เสียงภาษาจีนและภาษาอังกฤษ 18 ชิ้น (ชิ้นละราว 6 นาที) ที่เผยแพร่บนอินเทอร์เน็ตตั้งแต่เดือนกันยายน 2026 เป็นต้นมา ซึ่งเป็นการบรรยายและการประชุมใน 10 สาขา เช่น ซอฟต์แวร์ การแพทย์ กฎหมาย และการศึกษา Tencent ระบุว่าโมเดลแปลได้คุณภาพใกล้เคียงล่ามมืออาชีพ และในหลายกรณีแปลได้เร็วกว่า แต่ก็ย้ำว่าการเปรียบเทียบนี้มีขนาดเล็ก และผลลัพธ์จำกัดอยู่เฉพาะเสียงและเงื่อนไขในครั้งนี้ ทั้งหมดเป็นการประเมินของ Tencent เอง
แปลด้วยเสียงของผู้พูดเอง
Hy-SimulMT สร้างเสียงของคำแปลได้โดยคงลักษณะเสียงของผู้พูดต้นฉบับไว้ Tencent ระบุว่าช่วยให้แยกแยะได้ง่ายขึ้นว่าใครกำลังพูด แม้ในสถานการณ์ที่มีผู้พูดหลายคน หน้าเว็บทางการมีเดโม เช่น การแปลเสียงภาษาอังกฤษที่มีผู้พูด 3 คนเป็นภาษาจีน
วิธีใช้งานและสภาพแวดล้อมที่ต้องใช้
โมเดลที่เผยแพร่มีชื่อว่า "Hy-SimulMT-30B-A3B" มีประเภทดังนี้
- โมเดลที่ให้เฉพาะคำแปล และรุ่น "Interleave" ที่ให้ทั้งข้อความคำพูดต้นฉบับและคำแปลไปพร้อมกัน
- แต่ละประเภทมีทั้งรุ่น FP8 ที่เบาลง และรุ่นในรูปแบบ GGUF
บน GitHub ยังเผยแพร่ "SimulInfer" สำหรับรันโมเดล และ "SimulTrain" สำหรับการฝึก SimulInfer มีหน้าเว็บให้ทดลองได้ด้วยการอัปโหลดไฟล์เสียงหรือรับเสียงจากไมโครโฟน ขั้นตอนมาตรฐานต้องใช้เครื่อง Linux ที่มี GPU ของ NVIDIA และน้ำหนักโมเดลมีขนาดราว 57 GiB ส่วนการรองรับใน llama.cpp สำหรับรันรูปแบบ GGUF ยังไม่ได้ถูกรวมเข้าโปรเจกต์หลัก หากต้องการให้คำแปลออกมาเป็นเสียงหรือจำลองเสียง ต้องเตรียมระบบสังเคราะห์เสียง (TTS) แยกต่างหาก
สำหรับผู้ใช้ทั่วไป Tencent ระบุว่าทดลองใช้ได้ในแอปแปลภาษา "Hy Translate App" (Android และ iOS) ของบริษัท ส่วนจะใช้งานจากญี่ปุ่นได้หรือไม่นั้น ไม่สามารถยืนยันได้จากหน้าเว็บทางการ
มุมมองของกองบรรณาธิการ CoAI
การล่ามแปลพร้อมกันสำหรับการประชุมออนไลน์และการบรรยาย เป็นการใช้งาน AI ที่ได้รับความคาดหวังสูง จุดที่น่าสนใจของ Hy-SimulMT คือการเผยแพร่ความหน่วงต่ำและการจำลองเสียงในรูปแบบที่ใครก็รันบนเครื่องของตนเองได้ ในการทดสอบเสียงสั้น ยังมีการเปรียบเทียบกับฟีเจอร์ล่ามแปลพร้อมกันของ Qwen, Gemini, OpenAI และอื่น ๆ ด้วย
อย่างไรก็ตาม ขณะนี้ภาษาที่ประกาศรองรับอย่างเป็นทางการมีเพียงภาษาจีนและภาษาอังกฤษ และไม่ได้คาดหมายให้ใช้กับภาษาญี่ปุ่น เหมาะจะลองใช้เมื่อติดต่อกับคู่ค้าที่ใช้ภาษาจีน หรือฟังการบรรยายภาษาอังกฤษ แต่ข้อมูลประสิทธิภาพส่วนใหญ่มาจากการประเมินของ Tencent เอง Tencent เองก็ระบุว่าในสถานการณ์ที่มีความรับผิดชอบสูงหรือต้องให้ผู้เชี่ยวชาญตรวจสอบ ล่ามมืออาชีพยังคงมีความสำคัญ และเนื่องจากเป็นฟีเจอร์ที่จำลองเสียงของผู้อื่นได้ จึงควรใช้อย่างระมัดระวัง เช่น ขอความยินยอมจากเจ้าของเสียงก่อน