R2T2加Jev做实时语音评测，延迟低至160毫秒

英语流利说那套实时语音评测，现在可以用开源方案平替了。两个模型分工协作，效果相当不错。 R2T2是网易有道出的实时语音识别模型，真流式输出，延迟低至160毫秒。它有个很聪明的机制叫stable prefix——已经识别出来的文字只增不改，不会出现传统流式ASR那种来回改词的情况。比如你读I want to book，传统方案可能先显示I want to look再改成book，看着很别扭。R2T2不会，它会等足够确定了才输出。 模型地址：huggingface.co/netease-youdao… 我有个做英语学习App的朋友，他之前用商业ASR方案，成本高不说，延迟也控制不好。换了R2T2后，识别速度和稳定性都提升了不少，关键是完全开源，数据可控。 Jev这边负责判断。它只能在事先声明的内容里回答：是否、选一个、1-5打分。所以项目里只问它文本层面的事，比如读的是不是原文那个词、错法属于哪类、整段意思有没有走样。用Jev的关键原因就是快，分类判断几乎无延迟。 开源项目地址：github.com/wquguru/dashen… 两个模型配合起来，就能做到实时识别+实时评测。你读一段英文，R2T2负责把语音转成文字，Jev负责判断你读得对不对、哪里错了。整个过程几乎无感知，体验很流畅。 我试了一下本地部署，NVIDIA的卡就能跑，小显存也没问题。识别准确率挺高的，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。 如果你也在做语音评测相关的应用，可以试试这个方案。特别是那些需要实时反馈的场景，用这个组合能省不少成本。