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。
（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。
（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。
（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：
（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。
（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。
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