9月20日消息，网易有道近期宣布开源实时流式语音识别模型 Confucius4-R2T2，代码与权重已上架 GitHub 和 ModelScope。模型参数规模 1.7B，基于阿里的 Qwen3-ASR 构建，核心设计是 append-only 输出：识别出的文字一经提交就不再回改。官方给出的口径是平均延迟 200 至 600 毫秒、识别精度接近离线模型，这些性能数字目前均为官方自测，尚无第三方复测；另一个边界是许可——代码采用 Apache 2.0，模型权重则适用网易自己的模型使用许可协议。
把"不回改"做成训练目标
流式语音识别有个老问题：为了低延迟，模型先给出临时识别结果，再随音频增多回头修改，实时字幕因此闪烁，下游程序拿到的文本随时可能变。对语音 Agent 来说，问题不止于观感：Agent 一旦依据某版文本执行了动作，之后文本再被改写，状态就被污染了。
R2T2（Real Real-Time Transcription 的缩写）的做法是把"不回改"前置到训练里。官方文档称，模型使用稳定前缀数据、强制时间对齐数据和 token 级音频切分构建训练集，配合一套名为最长稳定前缀（Longest Stable Prefix）的学习范式，让模型自己判断哪段前缀已经稳定、可以安全输出，哪段还需要等待更多音频。解码块长度在 80 毫秒至 2 秒之间可调，供使用者在延迟和精度之间取舍。更详细的技术报告官方称将发布，目前未提供。
作为对照，官方在评测表中给伪流式模型（临时文本可能回改）逐一加了标注，Qwen3-ASR 的一个配置、WhisperRT、AssemblyAI 和两家商业系统都在此列。
官方评测里的位置
据官方公布的评测，R2T2 在 9 个英文数据集（WER）和 5 个中文数据集（CER）上与多组模型对比，包括 Qwen3-ASR 的两个配置、X-ASR、WhisperRT、Nemotron、Voxtral 等开源模型，以及 AssemblyAI 和两家以 Commercial A、Commercial B 代称的匿名商业系统。
在 160 毫秒解码块配置下，R2T2 在官方所列的开源对照组中各数据集均领先。与闭源系统互有胜负：英文 LS-clean 上 R2T2 的 WER 为 1.67%，Commercial B 为 1.25%；Earnings22 上 R2T2 为 6.68%，Commercial B 为 8.96%。中文 CN-RealSI 上 R2T2 的 CER 为 3.34%，低于两家商业系统的 3.99% 和 3.64%。官方据此称模型在开源对照组中延迟与识别质量均达到 SOTA、与领先闭源系统可比。考虑到闭源对照匿名、评测由厂商自行执行，这组数字宜读作厂商口径而非独立结论。官方在仓库中留了评测质询通道，称愿意向被对比模型的作者公开评测细节。
接入、许可与有道的开源路径
仓库的工程配套完整：提供 vLLM 后端（另有 Hugging Face transformers 后端）、最小示例和一个可直接运行的 WebSocket 服务端，配合 FireRedVAD 做流式语音端点检测；热词和上下文提示原生支持。语言上针对中英文优化，同时支持法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语、阿拉伯语等语种。Docker 镜像直接复用 Qwen3-ASR 的官方镜像。
许可分两层：推理代码 Apache 2.0，可自由商用；模型权重适用《网易模型使用许可协议》，具体商用条款需读协议原文，不能按标准开源协议理解。README 同时留有商务联系方式，面向高并发、生产级和私有化部署需求。
R2T2 是有道"子曰 4.0"（Confucius4）系列的最新成员。该系列今年5月宣布全量开源多模态与 TTS 双引擎，6月发布语音合成模型 Confucius4-TTS，此次补上了语音识别一端。把语音栈逐个开源、在仓库里承接商业部署咨询，这条路径的意图不难读：开源版本进入开发者的技术选型，生产环境的规模化需求由商业服务承接。对做实时字幕、同传或语音 Agent 的团队来说，R2T2 提供了一个可自部署、输出行为可预期的新选项；它能否站住官方口径，要等第三方复测和技术报告落地。
AI 速览
