Netease Youdao выпустила стриминговую ASR-модель Confucius4-R2T2

Компания Netease Youdao представила Confucius4-R2T2 — специализированную модель для автоматического распознавания речи (ASR) с низкой задержкой. Решение разработано на базе архитектуры Qwen3-ASR и ориентировано на высокоточную обработку аудиопотоков в реальном времени.

Модель поддерживает гибкую настройку размера чанков (chunking) в диапазоне от 80 мс до 2 с, что позволяет адаптировать систему под требования конкретных сценариев использования. Архитектура поддерживает режим вывода append-only, обеспечивая стабильную работу при потоковой передаче данных. В тестах производительности модель показала результат в 16 баллов при времени обработки в 1 час.

Техническая реализация Confucius4-R2T2 оптимизирована для работы с китайским и английским языками. Разработчики обеспечили нативную поддержку интеграции с vLLM, что упрощает развертывание модели в высоконагруженных серверных средах. Исходный код и веса модели доступны для загрузки на платформе Hugging Face.

Внедрение подобных инструментов позволяет снизить задержки в системах голосового управления и транскрибации. Использование оптимизированного движка Qwen3-ASR дает возможность интегрировать модель в существующие пайплайны обработки аудио без необходимости глубокой переработки инфраструктуры.