Netease Youdao 發佈了串流式 ASR 模型 Confucius4-R2T2

Netease Youdao 公司推出了 Confucius4-R2T2 — 一種針對自動語音識別（ASR）的低延遲模型。該解決方案基於 Qwen3-ASR 架構，針對實時音頻流進行高精度處理。

模型支持靈活的塊大小（chunking）調整，範圍從 80 毫秒到 2 秒，允許系統根據具體使用場景進行調整。架構支持 append-only 輸出模式，確保在流式傳輸數據時保持穩定。性能測試中，模型在 1 小時 內取得了 16 分 的成績。

Confucius4-R2T2 的技術實現針對中文和英文進行了優化。開發人員提供了對 vLLM 的原生支持，簡化了模型在高負載伺服器環境中的部署。模型的原始碼和權重可在 Hugging Face 平台上下載。

采用此類工具可以降低語音控制和轉錄系統的延遲。使用優化的 Qwen3-ASR 引擎，可以將模型集成到現有的音頻處理管道中，而無需對基礎設施進行深入的改造。