兼顾翻译质量与延迟！网易有道发布Confucius4-T3PO：基于帕累托前沿策略优化的文本同声翻译模型

网易有道 AI 团队正式发布了 Confucius4-T3PO，一款拥有 140 亿参数的文本到文本（Text-to-Text, T2T）同声机器翻译（SiMT）模型。该模型通过创新的帕累托前沿策略优化（Pareto Policy Optimization）技术，成功在翻译质量与延迟之间找到了最佳平衡点，实现了高质量的实时流式翻译。

• GitHub：https://github.com/netease-youdao/Confucius4-T3PO
• Demo：https://t3po.youdao.com

核心架构：三阶段训练流程

Confucius4-T3PO 的开发遵循严谨的三阶段流程，确保模型既具备流式处理能力，又保持了高水平的翻译质量：

1. 高质量分段对齐数据构建：
   • 提出了一种新算法，能从传统平行语料库中自动推导出适合低延迟流式翻译的数据。
   • 优势：无需依赖昂贵且稀缺的人工口译语料，即可为模型提供良好的流式先验知识。
2. 流式冷启动：
   • 利用上述数据对基础模型进行微调，使其初步具备处理细粒度文本块的能力。
3. 帕累托前沿强化学习：
   • 针对同声翻译中“质量”与“延迟”相互竞争的目标，采用前沿感知的强化学习算法。
   • 结果：显著推进了策略模型的帕累托前沿，使模型能在不同延迟要求下均保持最优翻译质量。

关键特性

1. 全流式文本翻译 (True Streaming)

• 细粒度输入：支持字符级和词级的文本块输入。
• 增量输出：译文仅追加、永不重写。这确保了下游应用（如字幕显示、语音合成）接收到的内容是稳定且一致的。
• 动态 READ/WRITE 决策：在接收到每个文本块后，模型会智能判断是继续等待更多上下文以获取更准确的理解，还是立即生成增量翻译以降低延迟。

2. 高效推理：交错历史协议

• KV 缓存复用：采用交错历史机制组织输入序列，保留稳定前缀。
• 降低开销：大幅减少冗余计算，提升推理速度和吞吐量。

3. 灵活的可调节延迟

• 支持在多个质量–延迟层级间切换，用户可根据具体场景（如会议同传、直播字幕、即时通讯）选择最适合的模式。

4. 强大的泛化与指令遵循能力

• 保留通用能力：训练过程未损害 Qwen 基础模型的通用指令遵循能力，支持术语约束等高级功能。
• 跨语言泛化：虽然主要在中英方向上进行了严格评估，但模型展现出一定的跨语言泛化能力。例如，未经专门训练的中译日方向也支持流式翻译。

生态集成：构建完整的 S2T 流水线

Confucius4-T3PO 是一个纯文本模型（T2T），原生不支持语音输入。为了构建完整的语音到文本（S2T）同声传译系统，网易有道建议将其与自家发布的流式 ASR 模型 Confucius4-R2T2 级联使用：

S2T 流水线 = R2T2 (真流式 ASR) + T3PO (同声翻译)

这种组合能够发挥两者的优势：R2T2 提供稳定、低延迟的语音转写，T3PO 则在此基础上进行高质量的实时翻译，共同实现端到端的低延迟同声传译体验。

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

应用场景

• 国际会议同声传译：提供接近人工水平的实时翻译，支持多语种切换。
• 跨境直播/视频字幕：为观众提供无闪烁、低延迟的双语字幕。
• 实时跨国沟通：在即时通讯或视频会议中，实现近乎零感知延迟的双向翻译。
• 辅助听障人士：将实时语音转化为其他语言的文本，打破语言与听力障碍。