Jev加网易有道R2T2开源，实时语音评测延迟低至160毫秒

英语流利说那一套，已经能够被Jev+网易有道的实时ASR模型Confucius4-R2T2平替了，更关键的是，R2T2和项目仓库都是开源的！

两个模型的分工其实挺好玩的。R2T2是真流式，以低至160ms的间隔往外吐词，而且还有个stable prefix的机制，已经提交的文本只增加不修改。传统流式ASR会来回改词，例如，I want to book可能会变成I want to look，给人看字幕还行，但下游要是接了另一个模型，它就得跟着反复撤销自己刚做的判断。

正因为有了R2T2这一层创新，我们才能做到直接把识别出来的内容拿过来，计算漏读多读和错读。

再说到最近很火的Jev，它只能在事先声明的内容里回答：是否、选一个、1-5打分。所以项目中我们只问它文本层面的事，例如，读的是不是原文那个词、错法属于哪一类、整段意思有没有走样。之所以用Jev，关键还是——快！

如果你有NVIDIA的卡，不妨试试本地部署一下，小显存也能跑起来，实时ASR模型+实时分类模型，效果顶尖。很适合本地部署起来，在家大声朗读练起来。

R2T2模型：huggingface.co/netease-youdao…
开源项目：github.com/wquguru/dashen…

我有个做英语培训的朋友，他之前用商业的语音识别方案，成本高得离谱。换了这个开源方案后，他说成本降了不少，效果也差不多。特别是那个stable prefix机制，确实解决了传统流式ASR来回改词的问题。

如果你也在做语音识别相关的项目，可以试试这个方案。特别是那些对实时性有要求的场景，用这个方案确实是个不错的选择。