网易在全球AI 开源社区交出重磅成果。近日，网易有道开源的子曰 Live 系列两款模型 —— 真流式语音识别模型 Confucius4‑R2T2、流式翻译模型Confucius4‑T3PO，先后登顶全球 AI 开源社区 Hugging Face 语音识别（ASR）、机器翻译两大细分 Trending 热榜，实现国产实时 AI 模型 “双登顶”。
在两个榜单中，OpenAI Whisper、Google、Meta等全球科技公司的相关模型也同时在列。网易此次连续拿下两个细分榜第一，也让中国团队在实时语音AI方向受到全球开发者集中关注。
图注:语音识别Trending榜，R2T2登顶（左）;翻译Trending榜，T3PO登顶(右)
双榜登顶:全球开发者深度参与模型适配
登顶之后，网易两款开源模型很快获得开发者社区进一步响应。截至9月30日，Hugging Face页面显示，R2T2主模型近30天下载量超过1万次，T3PO主模型超过1300次;据相关数据统计，R2T2、T3PO及其官方GGUF版本近30天累计下载量已超过3万次。
开源之后，全球开发者不再只是简单下载模型权重，而是投入力量开展工程化适配。R2T2发布后，Hugging Face 官方主动搭建ZeroGPU在线Demo，提供免费算力降低测试门槛。海外开发者在纯C++音频推理框架audio.cpp 完成原生适配，不仅重新实现了Longest Stable Prefix流式状态机和稳定文本提交机制，还加入GGUF、本地实时麦克风识别和Streaming API等能力。
图注:Hugging Face上的ZeroGPU在线Demo
T3PO同样完成多档位GGUF量化适配，让140亿参数级实时翻译模型具备端侧部署条件。从在线体验、模型量化到原生Runtime适配，两款模型正在从Hugging Face上的开源模型，进一步进入开发者的实际开发工具链。
直击Voice Agent 痛点:一套链路实现 “边说边听边译”
两款模型能够快速出圈，核心解决了实时语音交互领域两大技术难题。
R2T2瞄准传统流式识别 “输出文字反复改写” 的行业顽疾。多数伪流式识别会随着后续音频修改已输出内容，普通字幕仅会出现文字闪烁，但对于需要执行指令的语音智能体，识别结果来回变动会造成大模型意图判断、工具调用出错。
依托最长稳定前缀机制，R2T2做到输出文本只增不改、落子无悔:模型判断音频信息足够可靠才提交结果，支持80毫秒‑2秒灵活流式输入。官方测试显示，R2T2在保持接近离线 ASR 准确率的同时，平均识别延迟（平均说完每个字到识别出这个字的时间）约为200至600毫秒。
进一步的公开评测显示，在多个中英文测试集上，R2T2相较 WhisperRT、Nemotron、Voxtral 等同类方案，在低延迟条件下保持了更优或具有竞争力的识别表现。这意味着，模型并非单纯追求 “更快出字”，而是在响应速度、识别准确率和输出稳定性之间取得平衡，也让下游大模型能够在用户尚未说完话时，提前获得稳定文本并开展后续处理。
图注:英文测试集质量和延迟结果对比来源:github
图注:中文测试集质量和延迟结果对比来源:github
T3PO则进一步解决实时翻译中“速度与质量”的平衡问题。模型将实时翻译建模为持续的READ/WRITE决策:当上下文信息不足时继续等待，当信息已经足够时立即输出译文，并通过Pareto-aware Policy Optimization（帕累托策略优化）同时优化翻译质量与等待延迟，在低延迟下接近离线翻译的效果，译文同样不回溯改写。
当R2T2与T3PO串联后，一条完整的实时翻译链路由此形成:语音持续进入R2T2，生成稳定增量文本;T3PO再基于这些文本持续判断并输出译文。AI语音交互也由传统的“说完—识别—翻译”，进一步向“边说—边听—边理解—边翻译”演进。
补齐实时AI 技术底座，国产方案走向全球开源生态
此次双登顶，是网易有道“子曰” 大模型矩阵持续迭代的重要里程碑。从2023年国内首个教育大模型发布开始，有道已经搭建起包含多模态推理、语音生成、实时识别、流式翻译的完整能力矩阵，打通 “说、听、理解、翻译” 全链条。
此次R2T2与T3PO分别补充实时语音识别和流式翻译能力，并通过开源进一步进入全球开发者生态。相关能力可应用于实时字幕、会议同传、直播翻译、AI客服和Voice Agent等场景。
行业普遍认为，AI正在从对话问答走向可感知、可执行任务的Voice Agent，稳定低时延的流式语音，正是智能体对接现实世界的关键底座。此次网易两款模型登顶Hugging Face，并获得全球开发者持续下载和工程适配，意味着网易实时AI技术正进一步进入全球开发者工具链和实际应用场景，也让中国团队更深地参与全球AI开源生态建设。