Tencent ouvre le code d'un interprète simultané plus rapide que l'humain
L’équipe de recherche Hunyuan de Tencent a publié et ouvert le code d’un modèle de traduction simultanée baptisé Hy-SimulMT le 26 octobre, conçu pour le type d’interprétation en direct qui exige normalement un professionnel formé dans une cabine insonorisée. Le modèle reçoit l’audio d’un locuteur et produit la parole traduite pendant que celui-ci parle encore, passant du chinois à l’anglais et inversement sans attendre la fin d’une phrase complète.
Le chiffre qui fait la une, c’est la latence. Tencent affirme que le système répond en environ trois secondes, contre quatre à cinq secondes en moyenne pour les interprètes simultanés professionnels. En simultanée, ces secondes font toute la différence : plus le décalage est long, plus le public perd le fil et plus il devient difficile pour le locuteur et l’interprète de rester synchronisés. L’entreprise assure aussi que la qualité de sa traduction atteint le niveau des interprètes de conférence humains lors de plusieurs évaluations, devant les modèles open source courants et la plupart des API commerciales.
La fonction qui devrait attirer le plus l’attention hors du cercle de la traduction est le clonage du timbre en temps réel. Hy-SimulMT reproduit la voix et le ton du locuteur dans l’audio de sortie, si bien que l’anglais d’un locuteur chinois sonne comme cette personne et non comme une voix synthétique générique. C’est un pas important pour les réunions, les diffusions en direct et les voyages, mais cela soulève aussi les questions habituelles sur les données vocales et le consentement que suscite tout système capable de clonage.
Tencent a intégré le modèle à son application de traduction Hy comme expérience gratuite en avant-première, et le code comme les poids sont disponibles sur HuggingFace, ModelScope et GitHub. Ouvrir le modèle plutôt que le garder derrière une API suit un schéma désormais courant chez les laboratoires d’IA chinois, qui recourent souvent aux publications ouvertes pour bâtir des écosystèmes de développeurs et une crédibilité, tandis que leurs rivaux commerciaux gardent leurs meilleurs systèmes fermés.
L’interprétation simultanée est devenue un front très encombré. Le problème convient bien à l’IA parce qu’il récompense une faible latence, une production régulière et la capacité à gérer une parole désordonnée et chevauchante, autant de domaines où les grands modèles vocaux se sont nettement améliorés. C’est aussi l’une des rares tâches d’IA dotées d’une référence humaine évidente et mesurable : les interprètes professionnels, dont la vitesse et la précision offrent un étalon que chacun peut comprendre.
Pour le public mondial, l’effet pratique tient moins au remplacement des interprètes qu’à l’élargissement de l’accès. Un pipeline parole-parole de trois secondes qui tourne sur un téléphone pourrait rendre possible un appel professionnel, une visite d’usine ou une conversation à l’hôpital par-delà la barrière de la langue, sans réserver un service. La couche de clonage vocal rend l’expérience moins mécanique, mais elle signifie aussi que la technologie peut imiter la parole d’une personne dans une langue qu’elle ne parle pas.
Le prochain test, c’est l’usage réel. Les avis sur l’application et les projets de développeurs bâtis sur les poids ouverts montreront si la réponse en trois secondes tient face à un audio bruité, des accents marqués et un vocabulaire technique, terrains où les évaluations en laboratoire ont tendance à flatter un modèle. Le geste de Tencent met aussi la pression sur ses rivaux pour qu’ils publient des chiffres de latence comparables, ce qui donnerait aux acheteurs un moyen plus clair de juger un marché qui, jusqu’ici, repose surtout sur des vidéos de démonstration.