Youdao open-sources Confucius4-R2T2 real-time speech-to-text model

Gorden Sun @Gorden_SunOriginally posted 2026.09.20

Open original on X

网易有道开源实时语音转文字模型：Confucius4-R2T2 低延迟实时转录，适合会议实时字幕、语音输入法、同声传译等场景。 很多人用语音输入法或看实时字幕时都有过这种体验：屏幕上的字一直在跳动，刚打出来的词又被撤回重写，看着眼花。Confucius4-R2T2解决了这个问题，文字输出后就会直接固定下来，只往后继续加字，不会回头反复涂改，视觉体验非常顺畅。 识别速度很快，从听到声音到文字显示在屏幕上，平均延迟只有200到600毫秒，几乎感受不到延迟。使用者也可以按需调节出字节奏，支持在80毫秒到2秒之间自由设置，想要出字快就缩短等待间隔，想要更准确就稍微多听一小段再出字。 支持预设热词，遇到人名、品牌名或者冷门的行业术语时，可以根据提前给模型输入的热词，听到对应内容时就能精准识别，减少同音错别字。 在语言方面，Confucius4-R2T2重点优化了中文和英文，同时也支持日语、韩语、法语、德语、俄语等多国语言。 模型：https://t.co/8pl2qco0TB