10 月的同传市场被一份开源权重搅了局。腾讯混元把 Hy-SimulMT 连权重带推理栈放出，Apache 2.0，单张 H200 就能部署，官方口径 StreamLAAL 约 3 秒。API 阵营五家各守各价：阿里按 token 计费，字节主打端到端，谷歌握着两个单项第一，OpenAI 按分钟收 0.034 美元，讯飞卖套餐。本文把六款摆上同一张桌，比五件事：谁先开口、谁译得准、谁便宜、谁能私有化、谁的译文像本人开口。丑话说在前面：六家的延迟数字分属四套口径，排不出座次，把口径讲清楚，才是这篇横评立得住的地方。
先交代站内分工。9 月 21 日本站发过五款实时同传横评，距今 37 天；本篇换名单、换格局重写：Qwen、OpenAI、讯飞三款保留，新增 10 月开源的 Hy-SimulMT、火山引擎的豆包-同声传译 2.0 与谷歌 Gemini3.5-LiveTranslate。另有一篇全双工语音六款横评比的是全双工对话模型，人与模型互听互抢话头；本篇比的是同声传译，听进一种语言、实时说出另一种，两件事，别混。
一、六款是谁，为什么是这六款
入选标准两条：必须做实时同传，边听边译边出声，不做离线转写后处理；延迟、价格、质量至少一项有可查的官方或仓库口径，纯口碑不收。
六款名单：开源自部署一款，Hy-SimulMT（腾讯混元）；商用 API 五款，Qwen3.8-LiveTranslate（阿里云百炼）、豆包-同声传译 2.0（火山方舟）、Gemini3.5-LiveTranslate（Google Developer API）、GPT-Realtime-Translate（OpenAI）、讯飞同声传译（讯飞开放平台）。
名单有两处先点破。第一，豆包-同声传译 2.0 与字节 Seed 团队 2025 年 7 月发布的 Seed-LiveInterpret 2.0 是同一款模型：前者是火山引擎的商品名与计费科目名，后者是模型侧名称，有文章当两款凑数，本文只算一款。第二，Qwen3.8-LiveTranslate 至今未见开源权重页面，公开形态只有百炼 API，归 API 组。
Hy-SimulMT 的身位要单说。它是 10 月 26 日发布开源的同传模型，30B-A3B MoE 架构，总参约 300 亿、激活约 30 亿，有 BF16、FP8、GGUF 与 Interleave（同时输出源转写）等构建；许可证按 LICENSE 原文为 Apache 2.0，附第三方组件例外、无附加限制。在此之前，能打的同传模型要么闭源收租，要么开源但分数垫底：Meta SeamlessStreaming 免费开源，但在腾讯对比表四项测试集里 72.8、60.9、49.8、56.9 全场最低。开源阵营第一次有了能跟商用 API 掰手腕的选手，这是本篇重写的理由。
二、一张表看全
先上核心对比表。质量一列统一取腾讯 Hy-SimulMT README 四测试集数字（同一评测方口径，不可与各家自报数字混排）；延迟一列逐家标口径。
| 方案 | 形态 | 价格口径 | 延迟（口径必读） | 质量基准（腾讯表口径） | 音色 | 私有化 |
|---|---|---|---|---|---|---|
| Hy-SimulMT | 开源权重自部署（Apache 2.0） | 权重免费；成本锚点 BF16 约 57 GiB 显存、单张 H200 可部署 | StreamLAAL 约 3 秒（RealSI 长音频，官方注明不等于首次开口等待） | FLEURS 90.3 / CoVoST2 75.5 / ACL6060 81.2 / RealSI-Sentence 84.7 | 底座只出译文文本；音色克隆须另接 TTS，官方方案接 Qwen3-TTS | 完全可私有化（SimulInfer 本地服务） |
| Qwen3.8-LiveTranslate | 百炼 API（未见开源权重） | 音频输入 40 元、文本输出 100 元、音频输出 160 元/百万 token（国内口径） | 字均延迟 LAAL 2.3 秒（官方，上一代 2.8 秒） | 88.4 / 82.1 / 80.5 / 84.4 | 说话人分离，声音复刻（实时复刻与预复刻固定音色） | 未开源，无公开私有化 |
| 豆包-同声传译 2.0 | 火山方舟 API | 输入 80、输出文本 80、输出音频 300 元/百万 token；第三方实测折约 0.3 元/分钟 | 官方 2-3 秒；S2T 首字 2.21 秒、S2S 2.53 秒 | 85.8 / 67.7 / 74.8 / 80.0 | 零样本声音复刻，多人对话各保原声（官方口径） | 未开源，仅 API |
| Gemini3.5-LiveTranslate | Google API 及翻译、Meet 产品 | 输入 0.0053、输出 0.0315 美元/分钟，官方有效价约 0.0368 美元/分钟 | 官方仅称「数秒」，无精确指标 | 92.4 / 74.4 / 82.6 / 82.2 | 保留说话人语调、语速、音高，未见克隆 | 未开源；Meet 基础计划限每场 90 分钟 |
| GPT-Realtime-Translate | OpenAI API | 0.034 美元/分钟 | 未公布精确指标 | 77.7 / 50.8 / 76.4 / 76.7 | 未见音色克隆 | 未开源，仅 API |
| 讯飞同声传译 | 讯飞开放平台 API | 套餐折 12-20 元/小时（约 0.2-0.33 元/分钟）；免费包 20 小时 | 未公布精确指标 | 73.4 / 57.0 / 57.5 / 70.9 | 多语种音频播报，未见克隆 | 有私有化方案入口，报价未公开 |
四个单项第一分属三家：Gemini 拿 FLEURS（92.4）与 ACL6060（82.6），Qwen 拿 CoVoST2（82.1），Hy-SimulMT 拿 RealSI-Sentence（84.7），没有全场冠军。但记住，这张表出自 Hy-SimulMT 作者方，选自家有利的测试集与打分模型都有可能，数字当参考不当判决。
三、逐家过
1. Hy-SimulMT：开源抢跑的那个变量
核心参数如上节。延迟官方口径是 RealSI 长音频 StreamLAAL 约 3 秒，为对比系统中最低，官方注明不等于首次译出声的等待。质量上，官方称 GEMBA 高于所对比开源模型、超过五个商用 API 中的四个（未点名哪五家），RealSI 长音频 GEMBA 图示口径约 85-86，打分模型为 GPT6.1-Sol。人类对比用了 18 段约 6 分钟录音、10 个领域，对手是 6 位 CATTI 持证译员（一级与二级各 3 位，各取最好成绩），专家延迟 4.5 与 4.7 秒；腾讯自称小规模评估，但至少给了个人类锚点。技术策略是「先开口、后修补」，听感接近译员自我修正。
部署侧是本次开源的重头：SimulInfer 提供网页界面、WebSocket API 与可选 TTS 的本地服务栈，8080 端口，抗噪模式可选；SimulTrain 支持领域数据继续训练；llama.cpp 官方已提交适配 PR，尚未合并；本地核验还发现单文件 30 秒上限、超长直接拒绝。要纠偏一点：README 明示底座 checkpoint 只返回译文文本，语音输出与音色克隆须另接 TTS，官方方案是用 vLLM-Omni 部署 Qwen3-TTS-12Hz-0.6B-Base 实现自动克隆，有报道误写成端到端自带语音。不想折腾硬件的，腾讯 Hy 翻译 App 提供免费体验入口；广外高翻学院副院长王巍巍与中国译协原常务副会长仲伟合的背书口径是「低风险场景可用」。
2. Qwen3.8-LiveTranslate：口径报得最规范的一家
9 月云栖大会亮相（百炼模型库页另标 9 月 11 日上架，两说并存，本文取发布会口径）。Interleave 架构加基于 Hybrid MoE 的 Thinker-Talker 双模块，音频与文本交织单流。60 种语言能听，29 种能说（31 种仅文本输出）。模型 ID 为 qwen3.8-livetranslate-flash-realtime，走 Realtime API 的 WebRTC 或 WebSocket 协议。
能力上，实时说话人分离、原文译文同帧同出、长上下文消歧、热词、声音复刻俱全。限流 RPM 10、TPM 100,000，一场多人大会就可能顶满。延迟报得最规范：官方明说 2.3 秒是字均延迟 LAAL，从上一代 2.8 秒压下来，还给了参照系「人类同传平均时延约 4 秒」。接入实操见Qwen3.8 同传 API 上手。
3. 豆包-同声传译 2.0：端到端老将，两套质量口径并存
2025 年 7 月发布，最早把端到端同传做成商品的一款。官方口径 2-3 秒全双工边听边说，同页细分为 S2T 首字 2.21 秒、S2S 输出 2.53 秒。质量有两套并存口径：字节官方的 RealSI 人工评测「传达有效信息占比」，S2T 中英互译平均 74.8 分（第二名基准系统 47.3 分）、S2S 66.3 分；腾讯表四测试集 85.8、67.7、74.8、80.0。评测方不同，并列不裁决；流传的「GEMBA 约 77」未见于任何官方正文，弃用。
音色是招牌：零样本声音复刻，不采集样本即可复刻说话人音色，多人对话各保原声。价格后付费为输入 80、输出文本 80、输出音频 300 元/百万 token；资源包 10 亿 token 56000 元（合 56 元/百万）；第三方开发者实测 1 分钟音频约消耗 1800 token、折约 0.3 元/分钟，非官方数字，实际成本随语速浮动。体验入口在火山方舟语音体验页，每天免费约 100 分钟。
4. Gemini3.5-LiveTranslate：两个单项第一，口径最模糊
2026 年 6 月 9 日发布，端到端语音到语音翻译，自动识别 70 多种语言，保留说话者的语调、语速和音高，生成音频嵌入 SynthID 数字水印。延迟官方只说「仅数秒」，六家里口径最模糊。质量按腾讯表口径，FLEURS 92.4 与 ACL6060 82.6 两个单项第一。价格官方页自算有效价约 0.0368 美元/分钟（输入 0.0053 加输出 0.0315），定价页显示有免费层，额度未展开。产品落点最重：已进 Google 翻译与 Meet，10 月 22 日起 Meet 实时翻译扩至 63 种语言并自动检测语种；基础 Workspace 与 AI Pro 计划每场上限 90 分钟，AI Ultra 授权 8 小时；直播、录制、加密会议不支持。
5. GPT-Realtime-Translate：美元单价最低，短板也最直白
OpenAI 的流式语音到语音同传模型，专用端点 v1/realtime/translations，源音频仍在输入时即返回译文音频与转写增量；上下文 16000 token、最大输出 2000 token。语言面 70 多种输入、13 种输出（第三方报道引官方发布口径），输出与输入严重不对称，中文输出是否在列待核。价格 0.034 美元/分钟，六款商用 API 里最低的美元报价；限流按用量档位，Build 档 200 分钟音频/分钟、Launch 650、Grow 850。
短板直接列：腾讯表四项里 CoVoST2 只有 50.8，处于下游；延迟未公布精确指标，官方描述只有「跟上说话人节奏」；不支持 function calling、结构化输出与微调；音色克隆公开资料未见。
6. 讯飞同声传译：门槛最低，语种面最窄
流式接口，音频流实时翻译为多语种文本并输出多语种音频。语种口径官方页面写「中英双向同传，目前支持中-英互译」，API 文档写「支持中文普通话同声传译为英文发音」，都指向语种面窄。接口为 16k 采样单声道 PCM，建议每 40 毫秒发送 1280 字节。价格是六家里门槛最低的：免费包 20 小时、5 并发、90 天有效；套餐一 100 小时 2000 元、套餐二 1000 小时 15000 元、套餐三 5000 小时 60000 元，折 20 到 12 元/小时。质量按腾讯表口径处于下游，延迟未公布精确指标。有「翻译私有化」方案入口，无公开报价，需商务询价。
四、延迟：四个数字为什么排不了座次
六款的延迟表述实为四套口径加两个空白。Hy-SimulMT 的 StreamLAAL 约 3 秒是流式滞后统计量，官方注明不等于首译出声等待；Qwen 的 2.3 秒是字均延迟 LAAL；豆包的 2.21 秒是 S2T 首字延迟、2.53 秒是 S2S 输出延迟，首字只量开口一瞬；Gemini 只说「数秒」，OpenAI 与讯飞未公布。
四套口径量的不是同一个东西：StreamLAAL 是全程滞后均值，LAAL 是字均滞后，首字延迟只量第一声。把 3、2.3、2.21 摆一起排快慢，等于用摄氏度比华氏度。能说的只有：三款明确数字都在 2 到 3 秒区间，与官方口径的人类同传约 4 秒有交集，谁更快没有统一基准，本篇不下结论。腾讯人类对比里 6 位持证译员专家延迟 4.5 与 4.7 秒，是少数的人类锚点之一。
五、开源与 API 的总账
算账前先定假设：每天 2 小时会议、一年 250 个工作日，全年 3 万分钟。
按量 API 这边：OpenAI 30000 × 0.034 美元 = 1020 美元/年；Gemini 30000 × 0.0368 美元 ≈ 1104 美元/年；讯飞按套餐一折 20 元/小时，500 小时即 10000 元/年，量大走套餐三压到 12 元/小时；豆包按第三方实测 0.3 元/分钟折约 9000 元/年（非官方口径），量大走资源包 56 元/百万 token 摊薄；Qwen 按 token 计费、无官方每分钟折算，不硬算，单价见上表。
自部署这边：Hy-SimulMT 权重 0 元，BF16 约 57 GiB 显存、单张 H200 即可部署（官方 README 锚点，不含 KV cache 与运行时开销），用 SimulInfer 起本地服务。硬件一次性投入之后，3 万分钟的边际成本只剩电费与运维。
账算下来分三段。量小，一年几百小时以内，API 划算：讯飞套餐门槛最低，OpenAI 美元单价最低，不必碰硬件。量大且语种单一，自部署一年省出的 API 费能覆盖一档 GPU 折旧，数据还不出内网。量大且语种杂，H200 跑一个模型的语种面不如 API 的 60 到 70 种宽，混合架构更现实：主力语种自部署，长尾语种走 API。
六、冷思考
第一，质量没有全场冠军。四个第一分属三家，按自己场景的主语种与领域文档（ACL6060 偏学术口）对号入座，别信「全面领先」的话术。第二，腾讯表出自 Hy-SimulMT 作者方，竞品官方另有数字（如字节自报人工评测 74.8），两套体系不可混排，本篇已单列。第三，音色能力分布极不均：零样本克隆只有豆包，Qwen 提供实时复刻与预复刻固定音色，Hy-SimulMT 要自己搭 Qwen3-TTS，Gemini 只保语调语速，OpenAI 与讯飞未见克隆，「译文原声」这项卖点先问清是哪一档。第四，人工兜底没到下岗的时候：人类专家 4.5 秒与机器互有胜负，正式场合保留译员或质检，机器同传是辅助不是替代。
常见问题
Q1：各家延迟数字为什么不能直接排快慢？
A1：口径不同。Hy-SimulMT 的 3 秒是 StreamLAAL 流式滞后统计量，Qwen 的 2.3 秒是字均延迟 LAAL，豆包的 2.21 秒是 S2T 首字延迟，Gemini 只说「数秒」。度量对象不同，摆一起比会错，本篇只标口径不下座次。
Q2：Hy-SimulMT 免费开源，能直接替掉商用 API 吗？
A2：不能划等号。权重免费但需要约 57 GiB 显存、单张 H200 级硬件；底座只出译文文本，要出声得另接 Qwen3-TTS；本地路径还有单文件 30 秒上限。小流量用 API 更省心，大流量且语种单一才值得自部署。
Q3：数据不能出内网的场景选谁？
A3：完全开源路径只有 Hy-SimulMT 自部署，音频不出本机。讯飞有「翻译私有化」方案入口但报价未公开，需商务询价。其余四款均为公有云 API，涉密场景先过合规。
Q4：豆包-同声传译 2.0 和 Seed-LiveInterpret 2.0 是两款吗？
A4：同一款。前者是字节 Seed 团队模型在火山引擎的商品名与计费科目名，后者是模型侧名称。有文章当两款凑数，选型按一款算。
Q5：每月只用几个小时，选哪家最省？
A5：讯飞有免费包 20 小时，轻度使用够用；超出后套餐折 12 到 20 元/小时。豆包体验入口每天免费约 100 分钟。OpenAI 按 0.034 美元/分钟计费。Qwen 无官方每分钟折算价，按 token 账单预估。