R2T2

R2T2 (Real Real-Time Transcription), med fullständigt namn Confucius4-R2T2, är en öppen modell för taligenkänning i realtid från det kinesiska bolaget NetEase Youdao. Den gör om tal till text medan någon pratar, med en genomsnittlig fördröjning på 200 till 600 millisekunder enligt Youdao.

Det speciella är att texten bara fylls på. Många realtidssystem visar en preliminär text som sedan skrivs om när mer ljud kommit in, vilket gör att orden hoppar och flimrar. R2T2 skriver bara ut ord den är säker på och ändrar dem aldrig i efterhand. Det passar till exempel direktsänd textning, simultantolkning och AI-agenter som ska agera på det som sägs direkt. Man kan själv välja hur stora ljudbitar modellen arbetar med, från 80 millisekunder till 2 sekunder, beroende på om fördröjning eller träffsäkerhet är viktigast.

Modellen bygger på Qwen3-ASR-1.7B och har cirka 2 miljarder parametrar. Den är bäst på kinesiska och engelska men klarar även bland annat franska, tyska, japanska, koreanska och spanska. Enligt Youdao är den bäst bland öppna modeller på både fördröjning och träffsäkerhet och kan mäta sig med ledande slutna system, och utan att förlora träffsäkerhet vid vanlig transkribering av färdiga inspelningar. Koden är Apache 2.0, medan vikterna har NetEase egen licens som kräver separat tillstånd för stora företag. En teknisk rapport ska släppas senare.