Hy-SimulMT آپریشن میں

Hy-SimulMT، Tencent Hunyuan کا اوپن سورس بیک وقت ترجمانی کا بڑا ماڈل ہے، جو چینی اور انگریزی آواز سے آواز میں حقیقی وقت میں ترجمہ، سنتے ہوئے ترجمہ، اور بولنے والے کی آواز کے لہجے کی حقیقی وقت میں نقل کی سہولت فراہم کرتا ہے۔ عملی جانچ میں Hy-SimulMT کا ردِعمل کا تاخیر تقریباً 3 سیکنڈ رہا، جو انسانی مترجمین کے 4–5 سیکنڈ کے معیار سے بہتر ہے؛ RealSI کے جائزہ ڈیٹا سیٹ پر اس نے کم ترین تاخیر اور اوپن سورس ماڈلز میں بہترین ترجمے کا معیار حاصل کیا، بیشتر تجارتی API سے بہتر کارکردگی دکھائی، اور متعدد شعبوں کی عملی جانچ میں انسانی بیک وقت ترجمانی کے ماہرین سے بہتر معیار پیش کیا۔

حقیقی وقت میں صوتی بیک وقت ترجمانی: بولنے والے کی آڈیو مسلسل ماڈل میں داخل ہو سکتی ہے، ماڈل سنتے ہوئے ترجمہ کرتا اور بولتے ہوئے ترجمہ شدہ متن آؤٹ پٹ کرتا ہے، جس سے چینی اور انگریزی کے درمیان دو طرفہ آواز سے آواز میں حقیقی وقت کا ترجمہ ممکن ہوتا ہے۔
حقیقی وقت میں آواز کی نقل: ترجمہ شدہ آؤٹ پٹ بولنے والے کی اپنی آواز اور لہجے کو برقرار رکھ سکتا ہے۔ متعدد افراد کی گفتگو میں یہ مختلف بولنے والوں کی آوازوں کو الگ پہچان کر بحال کر سکتا ہے۔
متن اور آواز دونوں کی آؤٹ پٹ: ماڈل ترجمہ شدہ متن آؤٹ پٹ کر سکتا ہے (Interleave ورژن بیک وقت ماخذ زبان کا متن بھی آؤٹ پٹ کر سکتا ہے)، جبکہ متعلقہ TTS سروس کے ذریعے ترجمہ شدہ آواز تیار کی جا سکتی ہے۔
کم تاخیر والا ردِعمل: عملی جانچ میں بیک وقت ترجمانی کی تاخیر تقریباً 3 سیکنڈ رہی، جو انسانی پیشہ ور مترجمین کے 4.5–4.7 سیکنڈ کے معیار سے تیز ہے۔

WeChat پر فالو کریں اور “开源” کا جواب بھیج کر AI اوپن سورس پروجیکٹس کے گروپ میں شامل ہوں
اسٹریمنگ بیک وقت ترجمانی کی ڈیکوڈنگ: تدریجی فہم اور ”پہلے بولنا، بعد میں اصلاح کرنا“۔ بیک وقت ترجمانی کا بنیادی مسئلہ ”زیادہ معلومات کا انتظار کرنے سے ترجمہ زیادہ درست ہوتا ہے“ اور ”جلد بولنے سے سننے کا تجربہ بہتر ہوتا ہے“ کے درمیان توازن ہے۔ Hy-SimulMT بولنے والے کے مکمل بات ختم کرنے کا انتظار نہیں کرتا، بلکہ مسلسل آڈیو اسٹریم پر وصولی کے ساتھ ساتھ تدریجی فہم انجام دیتا ہے اور تھوڑی سی صوتی معلومات جمع ہوتے ہی ترجمہ تیار کرنا شروع کر دیتا ہے؛ بعد میں معلومات آنے پر اگر پتا چلے کہ سابقہ آؤٹ پٹ نامکمل یا غلط ہے تو یہ انسانی مترجم کی خود اصلاح کی طرح ترجمہ شدہ متن میں ترمیم کرتا ہے۔
بڑے پیمانے کا اسپارس MoE ترجمہ بنیادی ماڈل: اوپن سورس ماڈل Hy-SimulMT-30B-A3B ہے، یعنی کل 30B پیرامیٹرز اور ہر بار تقریباً 3B فعال پیرامیٹرز پر مشتمل Mixture of Experts (MoE) معماری۔ یہ Hunyuan HYV3ForCausalLM ماڈل خاندان پر مبنی ہے اور vLLM کو مرکزی inference بیک اینڈ کے طور پر استعمال کرتا ہے۔ اسپارس ایکٹیویشن کی ساخت بڑے ماڈل کے ترجمے کا معیار برقرار رکھتے ہوئے inference کی لاگت کو چھوٹے ماڈل کے قریب رکھتی ہے، اس لیے یہ رفتار کے لحاظ سے حساس آن لائن منظرناموں، جیسے حقیقی وقت کی بیک وقت ترجمانی، کے لیے موزوں ہے۔
آواز کی نقل ایک آزاد TTS جزو کے ذریعے انجام دی جاتی ہے: اصل ماڈل اسٹریمنگ صوتی شناخت اور بیک وقت ترجمانی کا ذمہ دار ہے اور متن آؤٹ پٹ کرتا ہے (صرف ترجمہ شدہ متن یا ماخذ متن+ترجمہ شدہ متن کے دو آؤٹ پٹ موڈز کے ساتھ)، جبکہ صوتی ترکیب اور ان پٹ آواز کی نقل قابلِ تشکیل TTS سروس کے ذریعے انجام دی جاتی ہے۔ یہ ماڈیولر ڈیزائن ترجمے کے معیار اور آواز کی فطری پن کو الگ الگ بہتر بنانے اور تیسرے فریق کی TTS سروس سے جڑنے کی سہولت دیتا ہے؛ اس کی قیمت یہ ہے کہ مربوط سلسلے میں ASR کی شناخت کی غلطیاں اگلے مرحلے تک منتقل ہو سکتی ہیں، جنہیں ترجمہ ماڈل کی مضبوطی کے ذریعے سنبھالنا ضروری ہے۔

ریپوزٹری کلون کریں: `git clone https://github.com/Tencent-Hunyuan/Hy-SimulMT.git` چلائیں اور پروجیکٹ ڈائریکٹری میں داخل ہوں۔
ایک کمانڈ سے inference سروس تعینات کریں: `SimulInfer/` ڈائریکٹری میں داخل ہو کر `bash deploy.sh --install-server --model tencent/Hy-SimulMT-30B-A3B-Interleave` چلائیں۔
TTS ترتیب دیں (اختیاری): اگر صوتی آؤٹ پٹ اور آواز کی نقل درکار ہو تو `config.toml` میں TTS سروس کا کنکشن ترتیب دیں؛ صرف متنی ترجمے کے لیے یہ مرحلہ ضروری نہیں۔
استعمال شروع کریں: ٹرمینل پر `Ready: http://127.0.0.1:8080/` ظاہر ہونے کا انتظار کریں، براؤزر میں یہ پتہ کھولیں، ترجمے کی سمت منتخب کریں، پھر آڈیو فائل اپ لوڈ کریں یا مائیکروفون سے بولنا شروع کریں، اور ختم کرنے کے لیے 「Stop and finish」 پر کلک کریں۔
کمانڈ لائن سے کال: فائل اپ لوڈ کرنے کے لیے `curl -N http://127.0.0.1:8080/translate/stream -F direction=en-zh -F file=@audio.wav` استعمال کریں، یا ترجمے کا نتیجہ حاصل کرنے کے لیے ریپوزٹری کے ساتھ موجود `simulinfer-client` کلائنٹ استعمال کریں۔

کم تاخیر میں برتری: عملی جانچ میں StreamLAAL تقریباً 3 سیکنڈ رہا، جو انسانی پیشہ ور مترجمین سے تیز ہے، اور تقابلی نظاموں میں سب سے کم تاخیر والا اوپن سورس بیک وقت ترجمانی ماڈل ہے۔
معیار اور رفتار کا امتزاج: RealSI کی طویل آڈیو جانچ میں ”کم ترین تاخیر + اعلیٰ ترین معیار“ حاصل کیا، جبکہ GEMBA اسکور تمام تقابلی اوپن سورس ماڈلز اور 5 تجارتی API میں سے 4 سے زیادہ رہا۔
انسانی ماہرین کے معیار تک رسائی: CATTI سطح 1/2 کے 6 سند یافتہ بیک وقت ترجمانی کے ماہرین کے ساتھ اندھی جانچ میں اس نے ترجمے کے معیار میں زیادہ اسکور اور ردِعمل میں زیادہ رفتار حاصل کی۔
حقیقی وقت میں آواز کی نقل: ترجمہ شدہ آواز بولنے والے کے لہجے اور آواز کو بڑی حد تک بحال کر سکتی ہے۔ متعدد افراد کے منظرنامے میں مختلف بولنے والوں کو الگ پہچانتی ہے، جس سے گفتگو زیادہ فطری بنتی ہے۔

GitHub ریپوزٹری: https://github.com/Tencent-Hunyuan/Hy-SimulMT
HuggingFace ماڈل کلیکشن: https://huggingface.co/collections/tencent/hy-simulmt

بین الاقوامی کانفرنسیں اور فورمز: بڑے بین الاقوامی پروگراموں میں اسے رضاکاروں اور بنیادی سطح کے سروس اہلکاروں کے لیے سرکاری AI ترجمہ ایپ کے طور پر نامزد کیا گیا ہے، جو غیر ملکی مہمانوں کے استقبال اور موقع پر رابطے کے لیے استعمال ہوتی ہے۔
کثیر لسانی کاروباری مذاکرات اور اجلاس: کمپنیوں کے بین الاقوامی اجلاسوں میں چینی اور انگریزی کا حقیقی وقت میں باہمی ترجمہ ممکن بناتا ہے، جہاں شرکاء اپنی مادری زبان میں بات اور سماعت کر سکتے ہیں، جس سے رابطے کی لاگت کم ہوتی ہے۔
تقاریر اور تربیت کی بیک وقت ترجمانی: علمی لیکچرز، کارپوریٹ تربیت، عوامی کورسز اور ایک فرد کی طویل گفتگو کے دیگر منظرناموں میں ماڈل مستحکم انداز سے ساتھ ساتھ ترجمہ کرتا ہے اور فطری ترجمہ شدہ زبان پیش کرتا ہے، اس لیے ”معاون فہم“ کے آلے کے طور پر موزوں ہے۔
متعدد بولنے والوں کے انٹرویوز اور میڈیا مواد: انٹرویوز، پوڈکاسٹس اور دستاویزی فلموں جیسی متعدد افراد کی گفتگو میں بیک وقت ترجمانی ہر بولنے والے کی آواز کی نقل کرتی ہے، تاکہ سننے والا پہچان سکے کہ کون بول رہا ہے۔
غیر ملکی سیاحت اور روزمرہ خدمات: ہوائی اڈوں، ہوٹلوں، نمائشوں، ریستورانوں اور غیر ملکیوں کو خدمات فراہم کرنے والے دیگر مقامات پر کم خطرے والے رابطے کے منظرناموں میں سروس اہلکاروں اور غیر ملکی سیاحوں کو بنیادی طور پر قابلِ استعمال بالمشافہ گفتگو مکمل کرنے میں مدد دیتی ہے۔