Confucius4-R2T2

授权要求： 项目代码采用 Apache License 2.0，支持在遵守许可证条款的前提下进行商业使用、修改和分发；模型权重采用网易有道专有的 NetEase Model Use License Agreement，使用时必须遵守该协议中的商业使用门槛、模型改进限制及其他相关要求。

项目简介

Confucius4-R2T2 是由网易有道（NetEase Youdao）开发的低延迟、高准确率实时语音识别模型，专为需要快速、连续处理语音的应用场景设计。它能够将语音实时转换为文字，适用于实时字幕、会议转录、语音输入、语音翻译及语音驱动的 AI 应用。

核心技术

该模型基于阿里巴巴通义千问团队的 Qwen3-ASR 模型进行构建和微调，采用自动语音识别（ASR）技术，并结合稳定前缀数据、强制时间对齐数据和词元级音频切分等数据构造方法，优化流式识别能力。

主要功能与产品特点

• 低延迟实时识别： 支持 80 毫秒至 2 秒的可配置音频分块，可根据实际需求平衡响应速度与识别效果。
• 稳定的文字输出： 采用稳定前缀输出机制，已经确认并提交的文字不会在后续识别过程中被反复修改，减少实时字幕闪烁，便于下游系统即时处理。
• 高质量语音转文字： 在追求实时响应的同时，兼顾识别准确率，并支持离线语音识别。
• 中英文优先优化： 重点针对中文和英文进行流式识别优化，同时支持法语、德语、意大利语、日语、韩语、葡萄牙语、俄语、西班牙语和阿拉伯语等语言，兼顾低延迟与稳定的实时文字输出。
• 上下文与热词提示： 支持通过上下文和热词提示改善专业术语、人名及特定词汇的识别效果。
• 灵活的部署方式： 提供基于 vLLM 等推理后端的运行支持，并提供适用于 llama.cpp 的 GGUF 模型版本，方便根据硬件和部署需求选择方案。

适用场景

Confucius4-R2T2 适用于实时字幕与听写、会议语音转录、语音交互、实时语音翻译，以及需要即时获取语音文本的自然语言处理流水线和大语言模型智能体。

项目定位： 一个以低延迟、稳定输出和高质量识别为核心优势，面向实时语音应用的开源代码与受专门许可约束的模型权重项目。