网易有道开源 Confucius4-R2T2 实时语音识别，延迟仅 200~600ms
aigclink · x · 2026-09-20
网易有道发布实时语音识别模型 Confucius4-R2T2（已开源），基于 Qwen3-ASR，主打「实时字幕不跳字」。
- 只增不改的流式输出：已输出的文本永久定稿、不会回改，避免实时字幕常见的文字闪烁。
- LSP 策略：模型持续监听语音，足够确定某段话不会变时才定稿输出，没把握的部分等待更多上下文，在稳定性与低延迟之间权衡，端到端延迟约 200600 毫秒。
- 解码块 80ms–2s 可调：想要低延迟用小块，想要精度用大块，可按场景配置。
适合直播字幕、会议同传、语音客服、下游 NLP/LLM Agent 管道等需要即时处理文本的场景。模型与 WebSocket 服务端/客户端示例均已放在 GitHub（netease-youdao/Confucius4-R2T2）。
所属事件:网易有道开源流式语音识别模型 Confucius4-R2T2(3 条相关)→
「模型」频道最新
- Claude 疑似真能「听」视频发音，创作者实测发现反常识能力 — RileyRalmuto · 2026-11-12
- 资深研究者抱怨 Claude 安全拦截过严:基础生化工作也触发回退 — rbhar90 · 2026-11-12
- Hugging Face 三大消融团队放量大批 Qwen 无审查模型,按显存对号入座 — udmrzn · 2026-11-12
- Reddit 用户爆料：Qwen 4 Max 输出介于 Kimi 3.1 Pro 与 DeepSeek 之间 — power97992 · 2026-11-12
- a16z 合伙人 Casado 力挺:谷歌 Carbon 写代码「真的很强」 — xennygrimmato_ · 2026-11-12
- OpenRouter 上线 Extractions API:描述字段即从文本/图片/PDF 抽取结构化 JSON — michellechen · 2026-11-12