网易有道开源流式语音模型 R2T2：延迟低至 200ms，只追加不改字

Confucius4-R2T2（简称 R2T2）是网易有道开源的实时流式语音识别模型，能把麦克风里的声音几乎无延迟地转成文字。如果你受够了实时字幕在屏幕上反复跳字、回退改写，这个项目专门就是为了解决这个问题来的。

它能做到什么

R2T2 最大的特色是「只追加不改字」（append-only）。以往不少流式模型会先猜一个词，等听到后半句发现不对再撤回修改，这会导致屏幕上的字幕疯狂闪烁，接在后面的大模型 Agent 也会拿到混乱的上下文。

R2T2 吐出来的字一旦输出就永久固定，绝不回改。它的平均延迟在 200 到 600 毫秒之间，解码块大小可以在 80 毫秒到 2 秒之间自由调节，默认以 160 毫秒运行。

更难得的是，很多流式模型为了赶速度会牺牲识别率，但 R2T2 在保留极低延迟的同时，识别准确率几乎没有向离线转录妥协。

怎么做到的与实测表现

该模型基于阿里开源的 Qwen3-ASR 打造。网易有道在训练中加入了稳定前缀数据、强制时间对齐和词元级音频切分，并结合了一套最长稳定前缀（LSP）学习范式。

简单来说，就是让模型自己动态判断：手头的音频到底足不足以安全输出确定的文字，还是需要再等一小截后文语境。这样既保证了已输出部分不被推翻，又为后续预测提供了高质量上下文。

在英文词错误率（WER）和中文字错误率（CER）的基准测试中，R2T2 在主流开源模型（包括 WhisperRT、Nemotron、Voxtral）中拿下了最低的错误率和更优的延迟表现，在对比测试中也展现出了逼近 GPT-Live-Transcribe 等专有商业系统的水准。此外，模型原生支持上下文和热词提示，主要针对中英双语优化，同时也支持更广泛的语种。

怎么跑起来

它的部署门槛非常低。模型权重和运行开销只有大约 4GB，绝大多数消费级显卡都能直接装下。

推理端支持高吞吐的 vLLM 和 Hugging Face transformers 两种后端。官方推荐使用预装好环境的 Docker 镜像，挂载权重后一行脚本就能跑通。

如果你习惯本地开发，用 uv 或 Conda 配合 Python 3.12 也能快速配置。官方仓库里甚至直接自带了一个 WebSocket 实时服务端和客户端示例，配合语音活动检测（VAD）模块，拉下来就能搭出一套支持多客户端并发的转录服务。

为什么重要

如果你正在开发实时双语字幕、会议同传记录，或者打算给大模型智能体接上一双低延迟的耳朵，R2T2 非常值得你今天就下载试试。过去做低延迟语音转写，要么忍受字幕反复跳字对下游造成的干扰，要么花大钱调用商业接口；R2T2 把这两头的痛点都抹平了。

我们认为，网易有道把「稳定前缀」做成训练目标是非常聪明的做法，它把语音识别真正变成了下游程序可以直接消费的稳定事件流。不过目前官方的技术报告还没有正式上线，在复杂多语种和嘈杂环境下的泛化能力，也还需要在实际业务场景里继续观察。