• 亿邦公众号
    • APP下载

登顶 HF 热榜、下载达20万:有道「子曰4 -R2T2」模型技术报告发布

作者:龚作仁 文章来源:Laborer

2026-11-05 16:15

作者:龚作仁 文章来源:Laborer

2026-11-05 16:15

邦小白快读

EN
全文速览

总:这是一款面向实时语音转写的开源模型,重点是稳定输出和可调延迟。

1. 网易有道Confucius4-R2T2开源4天登顶Hugging Face自动语音识别热榜第一,全球下载约20万次,其中主模型约6.2万,量化版本合计约14万。

2. 它基于Qwen3-ASR-1.7B,用约1500小时中英文音频后训练,核心是只提交已经稳定的文字,已提交内容不回改,减少字幕跳动和译文重写。

3. 质量优先配置在13个主测试集综合宏平均错误率5.76%,低于X-ASR的8.97%;160ms音频块低延迟配置中英文平均回溯延迟约0.53秒和0.42秒,80ms块可低于0.5秒但需取舍质量。

4. 可用于实时字幕、听写、同传、语音助手;开源后有量化版本和运行环境适配,开发者可按场景调质量与速度。

总:有道借开源模型强化实时语音技术品牌,并以模型矩阵展示研发能力。

1. 品牌声量:R2T2开源仅4天登顶Hugging Face ASR热榜第一,全球下载约20万次,技术报告上线arXiv,形成开源发布、榜单表现、技术报告和社区适配的组合传播。

2. 产品研发:模型基于Qwen3-ASR-1.7B,用约1500小时中英文音频后训练,通过最长稳定前缀、显式等待和流式提交,把何时输出纳入训练;两阶段含监督微调和GRPO强化学习。

3. 用户价值:面向实时字幕、同声传译、语音助手,已提交文本不回改,减少字幕跳动、译文重写和重复推理;质量优先与低延迟配置可调,覆盖不同体验需求。

4. 品牌矩阵:有道还布局Confucius4多模态、T3PO流式翻译、TTS语音合成,覆盖听、理解、翻译、表达,并以开源社区反馈拓展真实场景验证。

总:实时语音识别开源化带来应用机会,但要权衡质量、延迟和提交稳定性。

1. 市场机会:R2T2开源4天登顶HF ASR热榜,下载约20万次,说明实时转写、字幕、同传和语音智能体需求受关注;量化版本和运行环境适配降低开发者尝试门槛,可带动相关应用和硬件场景。

2. 需求变化:实时应用不只要识别准,还要及时、稳定;已提交文字若被改写,会引发字幕跳动、译文重写或重复推理,稳定增量文本成为下游处理的基础。

3. 正负面影响:质量优先配置综合宏平均错误率5.76%,低延迟配置中英文平均回溯延迟约0.53秒和0.42秒;但更早输出可能带来识别错误,需按场景调音频块和暂定尾部。

4. 可学习点:以开源模型加社区量化、技术报告和模型矩阵推进合作;T3PO可与R2T2串联支持语音同传,形成实时听、译、说能力。

总:R2T2为实时语音产品设计提供可集成的开源识别能力,重点是本地化、可调延迟和稳定输出。

1. 产品设计需求:实时字幕、听写、同传、语音助手和智能体都需要持续到来的语音转成稳定增量文本,已提交内容不回改,减少终端界面跳动和重复处理。

2. 生产与部署启示:模型基于Qwen3-ASR-1.7B,开源后有量化版本和不同运行环境适配,社区可做本地实时听写;推理侧结合缓存复用、有界上下文和暂定尾部验证,减少流式更新重复计算。

3. 商业机会:160ms音频块下质量优先配置综合宏平均错误率5.76%,低延迟配置中英文平均回溯延迟约0.53秒和0.42秒;80ms块可低于0.5秒但需取舍质量,适合按设备算力和交互要求选型。

4. 数字化方向:可把语音识别与T3PO流式翻译、TTS语音合成串联,覆盖听、理解、翻译、表达,为会议、客服、硬件终端等场景提供增量文本入口。

总:实时语音服务的痛点是稳定增量输出,R2T2提供了可调质量与延迟的解决方案。

1. 客户痛点:实时字幕、同传和语音智能体要求快、准、稳;已交给下游的文字若被改写,会造成字幕跳动、译文重写或重复推理,输出太早易错,等待太久又拖慢交互。

2. 技术方案:用最长稳定前缀LSP构造部分音频监督,加入显式WAIT,让模型在证据充分时提交、信息不足时等待;两阶段监督微调和GRPO强化学习奖励准确性、冗余、重复、语言一致性、尾部续写和WAIT位置。

3. 推理服务:提交策略保持已发布文本不变,结合缓存复用、有界上下文和暂定尾部验证;160ms音频块质量优先配置综合宏平均错误率5.76%,低延迟配置中英文平均回溯延迟约0.53秒和0.42秒。

4. 行业趋势:模型仅用中英文后训练,却在另外10种语言18个测试集上低于基础模型,显示跨语言迁移;有道模型矩阵覆盖多模态、ASR、流式翻译和TTS,便于组合服务。

总:开源平台与社区适配放大了R2T2的触达,平台运营需关注分发、开发体验和稳定性风险。

1. 平台需求:实时语音模型要兼顾识别质量、输出延迟和稳定提交;开发者需要量化版本、不同运行环境适配和可调参数,平台应便于模型下载、评测和场景接入。

2. 最新做法:R2T2在Hugging Face开源,4天登顶ASR热榜,下载约20万次,主模型约6.2万、量化版本合计约14万;技术报告上线arXiv,形成开源项目、论文和社区反馈闭环。

3. 运营管理:推理侧提供质量优先和低延迟配置,160ms音频块下综合宏平均错误率5.76%,低延迟配置中英文平均回溯延迟约0.53秒和0.42秒;80ms块可低于0.5秒但需取舍质量,平台可按场景设置默认参数。

4. 风向规避:已提交文本不回改是实时应用关键,需避免过早提交、重复输出、过度补全和误转写为翻译;平台可通过暂定尾部验证、缓存复用和有界上下文降低体验风险。

总:R2T2把何时提交纳入流式ASR训练与推理,提供了可验证的技术路径和实验证据。

1. 新问题:实时转写不仅要识别内容,还要判断一段话未说完时哪些文字已可提交;输出太早易错,等待太久拖慢下游,已提交文本又不能回改。

2. 方法创新:基于Qwen3-ASR-1.7B,冻结音频编码器和投影层,仅更新语言解码器;用约1500小时中英文音频后训练,构造最长稳定前缀LSP,以80ms间隔记录模型输出,加入显式WAIT;两阶段为监督微调和GRPO强化学习。

3. 理论性质:LSP随音频推进保持前缀单调增长,完整音频处与参考输出一致,并在满足约束的候选标签中具有最大性;训练中90%样本用音频前缀截断,10%保留完整音频与转写。

4. 实验启示:8个英文、5个中文测试集上,质量优先配置综合宏平均错误率5.76%,低于X-ASR的8.97%;160ms低延迟配置中英文平均回溯延迟约0.53秒和0.42秒;中英文后训练可迁移到另外10种语言18个测试集。

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Summary: This is an open-source model for real-time speech transcription, focused on stable output and adjustable latency.

1. NetEase Youdao's Confucius4-R2T2 topped Hugging Face's automatic speech recognition trending leaderboard four days after release, with about 200,000 global downloads—roughly 62,000 for the main model and 140,000 combined for quantized versions.

2. It builds on Qwen3-ASR-1.7B and is post-trained on about 1,500 hours of Chinese and English audio. Its core design is to emit only text that is already stable and never revise committed text, reducing subtitle jitter and translation rewrites.

3. The quality-first configuration achieves a 5.76% aggregate macro-average error rate across 13 main test sets, below X-ASR's 8.97%. With 160 ms audio chunks, the low-latency configuration has average backtracking latency of about 0.53 seconds for Chinese and 0.42 seconds for English; 80 ms chunks can go below 0.5 seconds but require a quality trade-off.

4. It can be used for real-time subtitles, dictation, simultaneous interpretation, and voice assistants. After open-sourcing, quantized versions and runtime environment adaptations allow developers to tune quality and speed for their scenarios.

Summary: Youdao uses this open-source model to strengthen its real-time speech technology brand and showcase R&D capabilities through a model matrix.

1. Brand visibility: R2T2 topped Hugging Face's ASR trending leaderboard just four days after release, with about 200,000 global downloads. The technical report went live on arXiv, creating a combined rollout across open-source release, leaderboard performance, technical report, and community adaptation.

2. Product R&D: The model builds on Qwen3-ASR-1.7B and is post-trained on about 1,500 hours of Chinese and English audio. Through longest stable prefix, explicit waiting, and streaming commitment, it incorporates when to output into training; the two stages include supervised fine-tuning and GRPO reinforcement learning.

3. User value: Aimed at real-time subtitles, simultaneous interpretation, and voice assistants, it does not revise committed text, reducing subtitle jitter, translation rewrites, and redundant inference. Quality-first and low-latency configurations are adjustable to cover different experience requirements.

4. Brand matrix: Youdao also has Confucius4 multimodal, T3PO streaming translation, and TTS speech synthesis, covering listening, understanding, translation, and expression, while using open-source community feedback to expand validation in real-world scenarios.

Summary: The open-sourcing of real-time speech recognition creates application opportunities, but quality, latency, and commitment stability must be balanced.

1. Market opportunity: R2T2 topped the HF ASR trending leaderboard four days after release and reached about 200,000 downloads, indicating growing interest in real-time transcription, subtitles, simultaneous interpretation, and voice agents. Quantized versions and runtime adaptations lower the barrier for developers to experiment and can drive related applications and hardware scenarios.

2. Shifting demand: Real-time applications require not only accurate recognition but also timeliness and stability. If committed text is revised, it can cause subtitle jitter, translation rewrites, or redundant inference, making stable incremental text the foundation for downstream processing.

3. Positive and negative effects: The quality-first configuration has a 5.76% aggregate macro-average error rate, while the low-latency configuration has average backtracking latency of about 0.53 seconds for Chinese and 0.42 seconds for English. However, earlier output may introduce recognition errors, so audio chunk size and provisional tail must be tuned by scenario.

4. Lessons: Advance partnerships through open-source models plus community quantization, technical reports, and a model matrix. T3PO can be chained with R2T2 to support simultaneous speech translation, forming real-time listen, translate, and speak capabilities.

Summary: R2T2 provides integrable open-source recognition capabilities for real-time voice product design, with emphasis on localization, adjustable latency, and stable output.

1. Product design needs: Real-time subtitles, dictation, simultaneous interpretation, voice assistants, and agents all need continuously arriving speech converted into stable incremental text. Committed content is not revised, reducing terminal UI jitter and repeated processing.

2. Production and deployment implications: The model builds on Qwen3-ASR-1.7B. After open-sourcing, quantized versions and adaptations for different runtime environments allow the community to build local real-time dictation. On the inference side, cache reuse, bounded context, and provisional-tail validation reduce redundant computation in streaming updates.

3. Business opportunities: With 160 ms audio chunks, the quality-first configuration has a 5.76% aggregate macro-average error rate, and the low-latency configuration has average backtracking latency of about 0.53 seconds for Chinese and 0.42 seconds for English. With 80 ms chunks, latency can fall below 0.5 seconds but requires a quality trade-off, making selection dependent on device compute and interaction requirements.

4. Digital direction: Speech recognition can be chained with T3PO streaming translation and TTS speech synthesis to cover listening, understanding, translation, and expression, providing an incremental text entry point for meetings, customer service, hardware terminals, and other scenarios.

Summary: The pain point in real-time voice services is stable incremental output; R2T2 offers a solution with adjustable quality and latency.

1. Customer pain points: Real-time subtitles, simultaneous interpretation, and voice agents require speed, accuracy, and stability. If text already handed to downstream systems is revised, it causes subtitle jitter, translation rewrites, or redundant inference. Output too early is error-prone, while waiting too long slows interaction.

2. Technical approach: It uses longest stable prefix (LSP) to construct partial-audio supervision and adds explicit WAIT, so the model commits when evidence is sufficient and waits when information is insufficient. The two-stage process uses supervised fine-tuning and GRPO reinforcement learning, with rewards covering accuracy, redundancy, repetition, language consistency, tail continuation, and WAIT placement.

3. Inference service: The commitment policy keeps published text unchanged and combines cache reuse, bounded context, and provisional-tail validation. With 160 ms audio chunks, the quality-first configuration has a 5.76% aggregate macro-average error rate, and the low-latency configuration has average backtracking latency of about 0.53 seconds for Chinese and 0.42 seconds for English.

4. Industry trends: Although post-trained only on Chinese and English, the model achieves lower error than the base model on 18 test sets in 10 other languages, indicating cross-lingual transfer. Youdao's model matrix covers multimodal, ASR, streaming translation, and TTS, enabling combined services.

Summary: Open-source platforms and community adaptation amplify R2T2's reach; platform operators need to focus on distribution, developer experience, and stability risks.

1. Platform needs: Real-time speech models must balance recognition quality, output latency, and stable commitment. Developers need quantized versions, adaptations for different runtime environments, and adjustable parameters, while platforms should facilitate model downloads, evaluation, and scenario integration.

2. Latest practices: R2T2 was open-sourced on Hugging Face, topped the ASR trending leaderboard in four days, and reached about 200,000 downloads—roughly 62,000 for the main model and 140,000 combined for quantized versions. The technical report went live on arXiv, forming a closed loop of open-source project, paper, and community feedback.

3. Operational management: On the inference side, quality-first and low-latency configurations are provided. With 160 ms audio chunks, the aggregate macro-average error rate is 5.76%, and the low-latency configuration has average backtracking latency of about 0.53 seconds for Chinese and 0.42 seconds for English. With 80 ms chunks, latency can fall below 0.5 seconds but requires a quality trade-off, so platforms can set default parameters by scenario.

4. Risk avoidance: Not revising committed text is key to real-time applications. Platforms need to avoid premature commitment, duplicate output, excessive completion, and mistaking transcription for translation; provisional-tail validation, cache reuse, and bounded context can reduce experience risks.

Summary: R2T2 incorporates when to commit into streaming ASR training and inference, providing a verifiable technical path and experimental evidence.

1. New problem: Real-time transcription must not only recognize content but also determine which words can be committed when an utterance is unfinished. Output too early is error-prone, waiting too long slows downstream processing, and committed text cannot be revised.

2. Method innovation: Based on Qwen3-ASR-1.7B, the audio encoder and projection layer are frozen, and only the language decoder is updated. It is post-trained on about 1,500 hours of Chinese and English audio. It constructs the longest stable prefix (LSP), records model outputs at 80 ms intervals, and adds explicit WAIT. The two stages are supervised fine-tuning and GRPO reinforcement learning.

3. Theoretical properties: LSP remains prefix-monotonic as audio advances, matches the reference output on complete audio, and is maximal among candidate labels satisfying the constraints. During training, 90% of samples are truncated at an audio prefix, while 10% retain complete audio and transcription.

4. Experimental implications: On eight English and five Chinese test sets, the quality-first configuration achieves a 5.76% aggregate macro-average error rate, below X-ASR's 8.97%; with 160 ms low-latency configuration, average backtracking latency is about 0.53 seconds for Chinese and 0.42 seconds for English. Chinese-English post-training transfers to 18 test sets in 10 other languages.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

开源仅4 天(9月21日),网易有道子曰Confucius4-R2T2就登顶Hugging Face自动语音识别(ASR)热榜第一。目前,模型及各量化版本全球累计下载量已达到20万次。

围绕R2T2,社区陆续推出量化版本与不同运行环境的适配,让更多开发者能够体验高质量的实时语音转写能力。近日,Confucius4-R2T2的技术报告也上线论文预印本平台arXiv。

图片

主模型下载量达6万2,其他量化版本下载量合计约14万

这份关注背后,是实时语音应用对“快、准、稳”的共同需求。

对实时字幕、同声传译和语音智能体而言,识别结果不仅要准确,还要及时、稳定。一段已经交给下游处理的文字,如果随后被改写,就可能引发字幕跳动、译文重写或重复推理。

因此,R2T2关注的不只是“识别出了什么”,还有一个同样关键的问题:一段话尚未说完,哪些文字已经可以提交?

输出太早,可能因为信息不完整而识别错误;等待太久,又会拖慢后续翻译与交互。R2T2——Real Real-Time Transcription——围绕这一矛盾展开:让模型学会在证据充分时提交文字,在信息不足时继续等待,已经提交的文本保持不变。

报告通过最长稳定前缀监督、显式等待与流式提交策略,将“何时输出”纳入模型的学习与推理过程,探索如何在不回改已提交文本的条件下,兼顾识别质量与输出速度。

图片

技术报告地址:https://arxiv.org/abs/2611.06043

最长稳定前缀(LSP):把“何时提交”纳入训练

R2T2基于Qwen3-ASR-1.7B构建,在不改变模型架构的前提下,通过约1500小时中英文音频的后训练,学习流式识别与稳定提交。

核心方法是Longest Stable Prefix,最长稳定前缀,简称LSP。

普通语音识别训练数据通常只有“音频—完整文本”配对,并没有直接告诉模型:听到哪个时间点,哪些文字已经足够稳定,可以立即提交。

R2T2为此构造部分音频下的监督信号:先用同一个基础模型识别完整音频,得到参考输出,再以80ms间隔逐步输入音频前缀,记录各个时刻的识别结果。

在某个时间点,LSP选取的是:截至当前,模型曾经完整输出过、且整体与完整音频输出的开头一致的最长文本。

这一要求意味着,训练标签需要来自模型实际产生过的一次完整识别结果,而不是从带有错误尾部的结果中任意截取一段。随着音频增加,已经确定的LSP也不会因为后续一次识别波动而缩短。

以“I have two cats”为例,当系统只听到部分音频时,可能把“two”识别为“to”或“too”;随着更多音频到来,正确表达才逐渐明确。LSP的构造过程是:

当“I have”已经形成与完整参考一致的输出时,可以将其作为稳定前缀。

当后续识别在“to”“too”之间变化时,保留已经确定的前缀,暂缓不确定的续写。

随着更多音频到来,再将稳定前缀扩展到“I have two”,直至完整句子。

图片

逐步输入音频后,模型输出在稳定前缀与不确定续写之间变化。蓝色表示与稳定前缀一致的预测,橙色表示需要继续等待的续写。

为表达“还需要继续听”,R2T2引入显式的WAIT行为。训练时,落在稳定区间内的音频截断位置用于监督稳定文本输出;落在区间间隙中的位置,则在稳定前缀之后加入WAIT,指导模型停止当前轮次的生成,等待更多音频。

这样,模型同时学习两件事:当前听到了什么,以及当前可以提交到哪里。

报告还从理论上说明了LSP的性质:它随音频推进保持前缀单调增长,在完整音频处与参考输出一致,并且在满足上述约束的候选标签中具有最大性。由此,“何时输出”获得了明确的训练目标。

R2T2的训练分为监督微调和强化学习两个阶段。两个阶段均冻结音频编码器与投影层,仅更新语言解码器参数,保留预训练的声学表征及其映射,将适配重点放在识别输出与提交时机上。

第一阶段,学习稳定前缀与WAIT。

监督微调帮助模型适应部分音频输入,学习何时输出文字、何时继续等待。训练中,90% 的样本采用音频前缀截断,另外10% 保留完整音频与完整转写,让模型在学习流式行为的同时,继续接受完整转写任务的监督。

第二阶段,进一步优化识别与等待行为。

在监督微调基础上,R2T2使用GRPO强化学习,通过多轮流式生成评估模型随着新音频到来如何继续输出。奖励综合考虑识别准确性、冗余内容、长度、重复、语言一致性、尾部续写、局部词级匹配,以及WAIT标记的位置等因素。

这些设计对应着实时应用中的常见问题:生成没有说出的文字、重复输出、过度补全尾部,或者把转写误做成翻译。

训练还引入噪声、混响和纯噪声负样本,帮助模型适应复杂声学条件;部分样本会改变语言标签、保持转写目标不变,促使模型更多依赖实际音频内容。

稳定提交要求模型在文字发布前作出判断,因此,减少过早提交造成的错误、避免缺乏音频依据的生成,是训练的重要目标。

从训练到推理,R2T2还需要将这一能力落实到持续运行的语音系统中。训练提供识别与等待的行为基础,推理时则通过提交策略保持已发布文本不变。报告同时结合缓存复用、有界上下文和暂定尾部验证,减少流式更新中的重复计算,并通过音频块大小与暂定尾部长度,为不同应用提供可调节的质量与延迟选择。下面的实验进一步展示了这些选择对应的表现。

实验表现:在稳定提交约束下兼顾识别质量

报告在8 个英文测试集和5 个中文测试集上进行主评估,覆盖朗读、会议、演讲及真实同传语音等场景。英文采用词错误率WER,中文采用字错误率CER,数值越低,表示识别错误越少。

首先看识别质量。R2T2提供两种不同的推理配置:

质量优先(U=1):将末尾1 个token暂留在模型内部,允许结合后续音频重新判断,再对外提交。

低延迟(U=0):不额外保留这一暂定尾部,侧重更早输出。

两种配置对外都只提供已提交文本,已经提交的内容均不回改。以下为结果:

图片

以上配置均采用160ms音频块,结果对应报告中的模型版本、测试集与推理设置。

在全部13个主测试集上,质量优先配置的综合宏平均错误率为5.76%,低于X-ASR的 8.97%,也低于报告评测的三款商业API。

在报告评测设置下,R2T2质量优先配置在全部13个主测试集上的识别错误率,均低于参与排名的其他开源流式模型配置。

综合宏平均是对各测试集的WER或 CER百分比等权取平均。完整音频和2 秒音频块的基础模型配置仅作为参考,不纳入上述排名。

与同样采用160ms、U=1配置的基础模型相比,R2T2将综合宏平均错误率从21.01% 降至5.76%,与基础模型完整音频识别结果的差距缩小至约0.6个百分点。这表明,针对性的后训练能够显著改善小音频块条件下的识别表现,让稳定的流式输出接近完整音频识别的质量。

再看文字何时能够稳定输出。

图片

不同配置下的英文WER、中文CER与回溯输出延迟。Average表示平均延迟,First和 Last分别对应首个、末个匹配单元的延迟。

在160ms音频块、低延迟配置(U=0)下,R2T2的中文和英文平均回溯输出延迟分别约为0.53秒和0.42秒。质量优先配置通过稍晚提交,进一步降低识别错误率,对应的中文和英文平均延迟分别约为0.75秒和0.76秒。

进一步采用80ms音频块、U=0时,两种语言的平均回溯输出延迟均低于0.5秒,同时在识别质量上作出一定取舍。同一个模型无需重新训练,就能根据应用需求调整质量与输出速度。

最后看能力能否迁移到更多语言。

虽然后训练仅使用中英文数据,但在另外10种语言的18个测试集上,R2T2在相同的160ms、U=1设置下,识别错误率均低于基础模型。这说明,流式识别能力的提升能够迁移到后训练语言之外。

从识别质量、输出延迟到跨语言迁移,这些结果共同展示了R2T2的技术价值:在保持已提交文本不变的前提下,让实时语音应用更早获得准确、可持续使用的增量输入。

从实时转写,走向更多语音应用

稳定的增量文本,是实时语音应用连接声音与后续处理的重要基础。

在字幕与听写中,它有助于减少已提交文字反复修改带来的阅读干扰;在同声传译中,它可以为下游翻译提供持续增长的稳定内容;在语音助手与智能体中,它让理解与处理有机会更早开始,降低对整句转写完成的依赖。

开源之后,围绕R2T2出现的社区量化与运行环境适配,进一步拓展了模型的使用方式。从本地实时听写,到不同场景下的评测与应用开发,社区的探索让模型获得更多真实环境中的验证,也为后续优化提供了反馈。

R2T2也是网易有道子曰模型矩阵在实时语音识别方向的重要组成部分。围绕多模态理解与推理、实时语音识别、流式翻译和语音生成,网易有道已陆续推出多款各有侧重的模型:

Confucius4多模态模型:面向视觉理解与数理推理,支持结合文本和图像进行问题分析与求解。

Confucius4-R2T2实时语音识别模型:将持续到来的语音转化为稳定的增量文本,为实时字幕、同传和语音交互提供输入。

Confucius4-T3PO流式翻译模型:根据不断输入的文本,动态决定继续等待还是输出译文;可与R2T2串联,支持语音同传场景。

Confucius4-TTS语音合成模型:支持14种语言的语音生成,以及无需参考音频转写文本的音色克隆,为多语言语音表达提供支持。

图片预览

模型为开发者提供了覆盖“听、理解、翻译、表达”的能力。我们也希望与社区共同探索实时语音技术的更多可能。

技术报告链接:https://arxiv.org/abs/2611.06043

开源项目地址:https://huggingface.co/netease-youdao/Confucius4-R2T2

注:文/龚作仁,文章来源:Laborer,本文为作者独立观点,不代表亿邦动力立场。

【版权提示】亿邦动力倡导尊重与保护知识产权。未经许可,任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题,烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至run@ebrun.com,我们将及时沟通与处理。

已点赞

+1

{{ praise_text }}

好文章,值得被更多人看到

FAQ回顾

Confucius4-R2T2是什么模型?

Confucius4-R2T2是网易有道推出的实时语音识别模型,基于Qwen3-ASR-1.7B构建,使用约1500小时中英文音频进行后训练,重点学习流式识别与稳定提交。模型开源后登顶Hugging Face自动语音识别热榜,全球累计下载量达20万次。

实时语音识别如何避免已输出字幕反复修改?

R2T2通过最长稳定前缀LSP训练模型判断哪些文字已经稳定可提交,并引入显式WAIT在信息不足时继续等待,已提交文本保持不变。推理阶段结合提交策略、缓存复用、有界上下文和暂定尾部验证,减少字幕跳动、译文重写和重复推理。

Confucius4-R2T2的识别质量和延迟表现如何?

在13个主测试集上,质量优先配置的宏平均错误率为5.76%,低于X-ASR的8.97%及报告评测的三款商业API。160ms音频块低延迟配置中英文平均回溯输出延迟约0.53秒和0.42秒,质量优先配置约0.75秒和0.76秒;80ms音频块U=0时均低于0.5秒。

Confucius4-R2T2适合哪些实时语音场景?

适用于实时字幕、听写、同声传译、语音助手和智能体等场景。稳定增量文本可减少已提交字幕反复修改带来的阅读干扰,为下游翻译提供持续增长的稳定内容,并让语音理解更早开始,降低对整句转写完成的依赖。

网易有道子曰模型矩阵包含哪些模型?

包括Confucius4多模态模型,面向视觉理解与数理推理;Confucius4-R2T2实时语音识别模型,输出稳定增量文本;Confucius4-T3PO流式翻译模型,可动态等待或输出译文并与R2T2串联;Confucius4-TTS语音合成模型,支持14种语言和音色克隆,覆盖听、理解、翻译、表达。

广告

下一篇

跨境电商资源对接

《全球跨境电商服务商资源手册》第二期手册现已发布,触达更多资源,了解跨境服务商信息,欢迎点击链接下载。

了解详情

亚马逊墨西哥站推出高端品牌专区Premium Hub 从美妆扩展至多品类

前,亚马逊墨西哥站推出高端品牌专区Premium Hub,将美妆、时尚、电子产品、家用电器、运动、相机、科技以及酒水等多个品类的高端品牌集中展示。