你可能没注意过：视频会议里的 AI 字幕，为什么总在跳字闪回、说出去的字又自己吞回去改口？这不是 bug，而是行业惯例——流式语音识别默认"允许回改"，先蹦出来的字随时会被新版本覆盖。人是忍得了闪一下，AI 忍不了：Voice Agent 按第一版字幕执行了动作，第二版到了，动作已经发出去，改不回来了。知乎
9 月下旬，网易有道开源了子曰 Live 系列的两款实时模型：真流式语音识别 Confucius4-R2T2 和流式翻译 Confucius4-T3PO，先后登顶 Hugging Face 的语音识别和翻译两张细分热榜，搞了个"双登顶"。澎湃新闻新智元
发布仅 5 天，R2T2 就坐在 ASR 榜第一，OpenAI 家的 Whisper-large-v3 排第六，英伟达 Nemotron 掉到第八。新智元
网易有道R2T2、T3PO双登HuggingFace热榜相关讨论
登顶第一的模型，第一课学的不是"说快点"，是"等"
大部分玩家卷的是"怎么预测得更快"，R2T2 把问题反着问：什么时候应该先别预测？海外开发者 Alex Prompter 说得直接：有道的 Confucius4-R2T2 反过来关注另一个问题——什么时候模型应该先不要预测。蚁工厂
它的规矩简单粗暴：输出不可逆。模型每 80 毫秒对当前音频做一次决策，听稳了的部分永久 commit 锁定，没把握的部分继续等音频；已 commit 的字，上了屏就不再改。已输出的文字只增不吞，在一些专业、严肃的会议里观感直接好一档。知乎蚁工厂
训练时它请了个离线强模型当老师，给每段音频前缀标出"最迟也不会再变"的最长稳定前缀（LSP），逼模型学会"等半句再开口"的克制——跟同声传译老手一模一样：新手听到第一个词就翻、翻错再改，老手等半句，确认方向不会错才张嘴。知乎
真流式语音识别模型的Commit/Wait机制讨论
数据也不虚：中文字错率 6.42%，英文 WER 6.13%，延迟 0.55 秒，准确率几乎不输离线模型。知乎
2B 小体格，轻薄本就能跑
按开发者实测口径：R2T2 专注真流式听写，体量仅 2B，普通轻薄本就能跑，延迟低至几百毫秒；14B 的 T3PO 负责边读边译，两者直接串联就是一套完整的同传链路，整套方案已支持 vLLM 高吞吐推理，跨国会议字幕、直播转译、硬件端侧集成都接得住。爱可可-爱生活
有道子曰Live实时同传组合模型介绍
开源后的社区反应也算罕见：Hugging Face 官方团队主动基于 R2T2 搭好了 ZeroGPU 在线 Demo 并免费送算力，第三方开发者把它移植进纯 C++ 框架 audio.cpp，海外量化社区也开始跟进适配。推特上也连刷了两天这两款小模型，讨论点都落在同一个反常识上——它解决的不是"更快"，是"下游敢不敢立刻相信它的输出"。澎湃新闻蚁工厂
跟用有道的你有什么关系？
云笔记的会议转写、有道翻译的实时同传、词典笔和答疑笔的听说链路，背后吃的都是"子曰"这一套模型能力。9 月 18 日的有道 AI Open Day 上，首席科学家段亦涛刚把子曰模型矩阵和子曰 Live 同传模型当主打发布。更实惠的一层是：开源 = 免费、可本地跑、语音不用上云，对会议录音敏感的办公党可以直接关注。纵相新闻
有道词典笔产品线
也别急着神化：6.42% 是跑分口径，实际体验受设备、网络影响；中英文之外 29 种语言的流式表现还没放出完整基准，别拿它当全能翻译机。知乎
一句话，前半场 AI 竞赛拼的是谁嘴快，后半场有道证明了：比"说得快"更值钱的，是"说到做到"。一家做词典笔起家的公司，把语音识别干到全球两张热榜第一——这年头，说话不反悔的 AI，才敢把活儿交给它。
