小白爱摸鱼
@chaozuoye
一匹来自网易有道的黑马（按发帖与截图转述）：HF 本周双榜第一——语音识别 Trending 压着 Whisper-large-v3、NVIDIA Nemotron、Qwen3-ASR；翻译 Trending 压着腾讯 Hy-MT2、Cohere、Google 与 Meta 的 NLLB——两个第一同属一家"印象里还在做词典"的中国公司，模型叫 R2T2（听）与 T3PO（译），双开源。
作者的实测比榜单更好看：他把两个模型塞进一台 M1 Pro MacBook、不联网，用自己的旧口播按真实时间喂——8.6 秒素材、每 640 毫秒出一次结果：左边 Whisper 走"每步重解整段音频"的伪流式，13 步里改写了 7 次，已显示的 93 个字被反复重写（"见面了"→"在这边了"→又变），末句停在"全程媒介一找"；右边 R2T2 是 0 次改写，提交出来的字一个不动。
最漂亮的是 8.32 秒那帧：它内部已经猜出"全程没接"，却只提交"全程"、把"没接"压着不放——0.6 秒后证据够了，提交的是"没截"（对的）。作者的总结一句封神：**"它不是猜得慢，它是知道这一刻不该猜。
"** 热词测试也诚实：给一行热词后 Codex/Excalidraw/无限画布三个全对，但同音人名"雨哥"离线仍写"宇哥"——同音人名最难扳，热词包治不了百病。
四点边界同样照实转述：①R2T2 建在 Qwen3-ASR 1.7B 之上，方法在数据构造与 Longest Stable Prefix 训练范式，技术报告未出；②Mac 跑的是社区 audio.cpp 移植（9 月 19 日才合主仓、brew 二进制没有、需自编），每步重编码整句——M1 Pro 上 640 毫秒步长能跟实时，官方 GPU 路线是 160 毫秒；③ASR＋14B 同传同挤一块 M1 Pro GPU——并行会吃满 GPU 让识别落后 3 秒，改成识别优先、每句提交完再交 T3PO 才回到实时（逐字同传那套需要两张卡）；④代码 Apache 2.0、权重是网易自有 Model License，商用前看一眼。
链接四个都在文末。R2T2 语音识别：github.com/netease-youdao… 与 huggingface.co/netease-youdao… ；T3PO 同传：github.com/netease-youdao… 与 huggingface.co/netease-youdao…
我的看法：这几乎是今晚所有线的一次交汇点。"压住不发"那帧是全帖的灵魂——它和"缺证据不算过"（57422、57693 的证据链）说的是同一件事：可信的系统宁可慢半拍，也不交没有把握的输出；Whisper 那 7 次改写则是 57579 校准论的硬件级演示——屏幕上反复横跳的字，正是"体感变差"最直接的来源。
路线判断上，作者点出 "只增不改"（提交后不重写）这条路上 Nemotron、Voxtral 也在走，而 R2T2 把准确率追到接近伪流式与离线的水平后开源——这是它最值得社区接住的理由。
再放大一层：过去两年世界盯的是中国通用大模型，这次是两个垂类把 OpenAI、NVIDIA、Google、腾讯压在榜下，还是一家平时不出声的公司——收束句可以原样留下：垂类这条路，中国公司是真能跑到第一的；而 M1 笔记本离线跑实时的事实也再次落回本地线：入口级硬件＋开源权重，垂类能力的下一站是每个人的笔记本。
榜单、实测数字与路线均按发帖转述（榜单为其当日截图）；技术报告未出部分以官方后续为准，商用请核对各自 License。
