网易有道发布 Confucius4-R2T2：低延迟高准确率实时语音识别模型，适配实时字幕与 AI 智能体

网易有道正式发布了 Confucius4-R2T2，一款基于 Qwen3-ASR 架构的低延迟、高准确率真流式（True Streaming）自动语音识别模型。该模型的核心突破在于解决了传统流式 ASR 中常见的“文本回退”和“界面闪烁”问题，实现了输出即稳定的识别体验，为实时语音交互应用树立了新的标杆。

• 项目主页：https://r2t2.ai
• GitHub：https://github.com/netease-youdao/Confucius4-R2T2
• Hugging Face：https://huggingface.co/netease-youdao/Confucius4-R2T2
• 魔搭：https://modelscope.cn/models/netease-youdao/Confucius4-R2T2
• Demo：https://r2t2.youdao.com/demo

核心亮点：什么是“真流式” (R2T2)？

R2T2 (Real Real-Time Transcription) 的最大特点是已提交的识别文本稳定不变，无需后续修正。

• 传统流式 ASR 的痛点：为了追求低延迟，模型往往会在接收到更多音频上下文后修改之前输出的文字（即“回退”或“修正”），导致下游 NLP 任务出错或用户界面频繁闪烁。
• R2T2 的解决方案：通过引入 最长稳定前缀 (Longest Stable Prefix, LSP) 学习范式，模型能够动态判断何时可以安全地输出文本。一旦输出，即为最终结果。这不仅提升了用户体验，更确保了下游 LLM 智能体或同声传译系统接收到的输入是高质量且一致的。

关键性能指标

技术架构与训练创新

Confucius4-R2T2 构建于强大的 Qwen3-ASR 基础之上，并通过独特的数据构造技术进行强化训练：

1. 稳定前缀数据：让模型学习哪些部分是可以立即确定的。
2. 强制时间对齐数据：增强音频与文本的时间对应关系。
3. 词元级音频切分数据：提供更细粒度的训练信号。

这种训练方式使模型具备了“知道什么时候该说，什么时候该等”的能力，从而在保证低延迟的同时最大化准确率。

部署与推理

为了方便开发者集成，网易有道提供了多种后端支持：

• vLLM 后端：提供高吞吐量的推理服务，适合大规模并发场景。
• Hugging Face Transformers：标准后端，方便快速测试和集成。
• 开源代码：仓库包含完整的推理代码和最小化使用示例，支持离线和实时流式两种模式。

应用场景

得益于其“真流式”特性，Confucius4-R2T2 特别适用于对稳定性和实时性要求极高的场景：

• 实时字幕与听写：无闪烁、无回退，提供流畅的阅读体验。
• LLM 智能体交互：为语音助手提供稳定的文本输入，避免因文本修正导致的指令解析错误。
• 同声传译：确保翻译引擎接收到的源文本是确定的，提高翻译质量和连贯性。
• 实时会议纪要：即时生成准确且不可变的会议记录。