中国テンセントのAI研究開発チーム（Tencent Hunyuan）は2026年10月26日、発話者の声の特徴や抑揚をそのまま維持しながらリアルタイムで双方向の同時音声通訳を行うオープンウェイトモデル「Hy-SimulMT（Hy-SimulMT-30B-A3B）」をHugging Face上で公開しました。
従来の音声翻訳システムは、音声を一度テキストに変換（ASR）し、テキストを翻訳（MT）したうえで、最後に別の音声合成モデル（TTS）で読み上げるという3段階のパイプラインを経由するため、大きな遅延や声質の喪失が避けられませんでした。今回公開されたモデルはこれらを単一のニューラルネットワークに統合し、相手が話し始めてから約3秒という人間の同時通訳者に迫る極小の遅延で、本人の声色のまま別言語の音声をストリーミング出力します。
アーキテクチャには総パラメータ数304億でありながら、1トークンあたりの推論時に稼働する有効パラメータをわずか30億に抑えた混合エキスパート（MoE）構造を採用しています。これにより高い翻訳精度と自然な声質複製を維持しつつ、計算負荷を従来の10分の1以下に劇的に軽減しました。
モデルの重みは商用利用も可能なApache-2.0ライセンスで提供されており、画面に原文と訳文の字幕を同時表示するためのインターリーブ出力や、手元のPCで軽量に動かせるFP8およびGGUF量子化モデルも同梱されています。国際会議や越境EC、多言語カスタマーサポートの現場にそのまま組み込める実用的なオープンソース音声基盤として注目を集めています（一次ソース：Hugging Face 公式モデルページ）。