Confucius4-R2T2 · 网易有道子曰4-R2T2 真流式语音识别模型

Confucius4-R2T2 是网易有道于 2026 年 9 月开源的真流式自动语音识别（ASR）模型，基于 Qwen3-ASR-1.7B 构建，登顶 Hugging Face ASR Trending 榜首。核心突破在于「真流式」设计：从第一个音频帧进入的毫秒级即开始推理与输出，平均延迟仅 200-600ms 即达到接近离线识别的准确率，延迟与识别质量双双达到开源 SOTA。支持从 80ms 到 2s 的细粒度可配置解码块，一个模型适配不同场景的实时性需求。

R2T2 发布后全球社区快速跟进：Hugging Face 官方团队主动提供 ZeroGPU 搭建在线 Demo；第三方开发者将其移植到纯 C++ 本地推理框架 audio.cpp（含 GGUF 量化、本地麦克风识别、Streaming API）；海外量化社区从 Q2 到 Q8 全量覆盖。适合构建实时字幕、同声传译、AI 语音 Agent、会议转写等场景。

能做什么

• 真流式语音识别：200-600ms 延迟即输出稳定文本，无需等用户说完
• 细粒度延迟配置：80ms 到 2s 可调解码块，一个模型适配高实时/高质量场景
• 热词识别增强：热词命中率突破 99%，适配人名、产品名、行业术语场景
• 上下文推理：结合前文语义修正同音词、改口、重复，输出「可直接使用」的文字
• 社区生态完善：GGUF 量化（Q2-Q8）+ audio.cpp 本地运行 + Ollama 集成

怎么部署

可通过 Hugging Face Transformers 直接加载，或下载 GGUF 量化版本通过 llama.cpp / Ollama 本地运行。Hugging Face 官方提供 ZeroGPU 在线 Demo 可零部署体验。

适合谁

构建 AI 语音 Agent 的开发者、需要实时字幕/同传能力的应用团队、研究流式 ASR 架构的研究人员、需要本地化语音识别的隐私敏感场景。