做直播字幕或者会议同传的人都知道一个痛点：实时识别出来的文字老是跳来跳去，刚显示…

做直播字幕或者会议同传的人都知道一个痛点：实时识别出来的文字老是跳来跳去，刚显示出来又改了，看着特别晕。网易有道这两天上新的Confucius4-R2T2模型，专门解决这个问题。 这个模型基于Qwen3-ASR，核心思路是流式追加式输出——已经输出的文字只增不改，不会出现文字闪烁的情况。它用了一个叫LSP的策略，模型会持续监听语音，当足够确定某段话不会变时才把这段定稿输出，没把握的部分先憋着等听到更多上下文再说。 我昨天试了一下，体验确实不错。延迟大概在200到600毫秒之间，在稳定性和低延迟之间找到了一个不错的平衡点。解码块大小可以在80毫秒到2秒之间调节，想快就用小块，想准就用大块。 我有个做直播的朋友，他之前用其他实时识别方案，字幕老是跳来跳去，观众反馈看着头晕。换了这个模型后，字幕稳定多了，观众体验提升了不少。 从技术角度看，这个模型的思路挺有意思的。它不是追求极致的速度，而是追求输出的稳定性。对于直播字幕、会议同传、语音客服这些场景来说，稳定性比速度更重要。 我试了一下用它识别一段中文演讲，确实比之前用的方案稳定很多。特别是那些长句子，不会出现识别到一半就改来改去的情况。 如果你也在做语音识别相关的应用，可以试试这个。特别是那些需要实时字幕的场景，用这个模型能省不少调优的时间。