Netease Youdao ha rilasciato il modello di riconoscimento vocale in streaming Confucius4-R2T2

L'azienda Netease Youdao ha presentato Confucius4-R2T2 — un modello specializzato per il riconoscimento vocale automatico (ASR) con bassa latenza. La soluzione è stata sviluppata sulla base dell'architettura Qwen3-ASR e si concentra sull'elaborazione ad alta precisione dei flussi audio in tempo reale.

Il modello supporta una flessibile regolazione della dimensione dei chunk (chunking) nell'intervallo da 80 ms a 2 s, consentendo di adattare il sistema alle esigenze di scenari di utilizzo specifici. L'architettura supporta la modalità di output append-only, garantendo un funzionamento stabile durante la trasmissione dei dati in streaming. Nei test delle prestazioni, il modello ha mostrato un risultato di 16 punti con un tempo di elaborazione di 1 ora.

L'implementazione tecnica di Confucius4-R2T2 è stata ottimizzata per lavorare con il cinese e l'inglese. Gli sviluppatori hanno garantito un supporto nativo per l'integrazione con vLLM, semplificando il deploy del modello in ambienti server ad alta carico. Il codice sorgente e i pesi del modello sono disponibili per il download sulla piattaforma Hugging Face.

L'adozione di strumenti simili consente di ridurre i tempi di attesa nei sistemi di controllo vocale e trascrizione. L'utilizzo del motore ottimizzato Qwen3-ASR offre la possibilità di integrare il modello nei pipeline di elaborazione audio esistenti senza la necessità di una profonda rielaborazione dell'infrastruttura.