每天听简报，了解最新科技、AI、软件资讯
网易有道正式开源了一款输出只追加、绝不撤改已识别文字的流式语音模型R2T2，将端到端延迟压缩到数百毫秒。 传统流式语音识别往往会随着后文输入反复修改前文词汇，这会导致下游的大模型智能体和同传系统频繁收到错误指令并发生画面闪烁。有道团队基于千问1.7B架构，提出了最长稳定前缀学习范式，冻结原有音频编码器并在千余小时中英文数据上完成轻量级后训练。 在不改动模型结构的前提下，不仅离线识别准确率几乎没有损耗，流式输出的文字也具备了严格的单调追加特性。目前完整权重与代码已全部公开，支持vLLM高吞吐部署。
进度保存在本设备 · 登录同步