语音 agent 应只消费已提交文本：R2T2 用稳定前缀学习防状态污染

rohanpaul_ai · x · 2026-09-17

Rohan Paul 详解网易有道开源的流式 ASR 模型 Confucius4-R2T2（基于 Qwen3-ASR）：语音 agent 应增量消费语音、但只对已提交文本行动，因为不断变动的快速转写会破坏下游 agent 状态。R2T2 的 append-only 行为直击这一生产故障，用 Longest Stable Prefix 学习判断何时文本可安全输出。另一个被低估的细节：解码器基于 LLM，可在运行时注入人名、产品术语、行业黑话来引导识别，无需改权重——与把声学模型当固定黑盒的设计思路截然不同。