网易有道发布AI模型

太牛逼了！Hugging Face 这周跑出一匹黑马，还是同时跑赢两个赛道的那种 语音识别 Trending 榜第一，压着 OpenAI 的 whisper-large-v3、NVIDIA 的 Nemotron、阿里的 Qwen3-ASR。翻译 Trending 榜第一，压着腾讯的 Hy-MT2、Cohere、Google、Meta 的 NLLB。

两个第一都是同一家中国公司，网易有道，很多人印象里还是那个做词典的。模型叫 R2T2 和 T3PO，一个听，一个译，全开源。榜单截图我今天截的，还在第一。

一家原本在学习场景出挑的公司，在 HF 上把两个垂类做到第一，这事本身就值得点开看看。但我更想知道它到底强在哪，所以没在 GPU 上跑，把两个都塞进了一台 M1 Pro 的 MacBook，不联网。把我自己以前的口播���真实时间喂进去，中文实时上屏，英文每说完一句就跟出来。

视频里的每个数字都是这台机器上的真实数字。先说我最在意的一件事 同一段我自己的口播，8.6 秒，每 640 毫秒出一次结果。左边 Whisper 走“每次把收到的音频整段重解一遍”的伪流式，13 步里改写了 7 次，屏幕上已经显示的 93 个字被重写过，“见面了”变成“在这边了”又变回来，最后一句停在“全程媒介一找”。

右边 R2T2 是 0 次改写，提交出来的字一个没动过。更有意思的是 8.32 秒那一帧。R2T2 内部其实已经猜出“全程没接”，但它只提交了“全程”两个字，把“没接”压着没放。

0.6 秒后证据够了，提交的是“没截”，对的。它不是猜得慢，它是知道这一刻不该猜。为什么我在意这个。

给人看字幕，闪一下无所谓。但这段文字如果是喂给下一个模型的，比如同传、比如一个要执行动作的 Agent，前面的字一改，下游就得撤销自己刚做的判断。视频第三段就是这条链路，R2T2 每提交完一句，原文直接交给 T3PO，中间没有人工，也不用等整段说完。

因为 R2T2 给出来的字不会再改，T3PO 拿到就能翻，翻出来的英文也不会再改。热词那段也值得看。不给上下文的时候，它把 Codex 写成 codet，Excalidraw 写成 escalator，无限画布写成无线画布。

给一行热词之后三个全对。但我的名字“雨哥”，热词给了，离线模式还是写成“宇哥”，流式那一遍倒是对了。同音人名是最难扳的一类，别指望热词包治百病。

几个要说清楚的地方。一，R2T2 是在 Qwen3-ASR 1.7B 上做的，方法在数据构造和一个叫 Longest Stable Prefix 的训练范式上，技术报告还没出。二，Mac 上跑的是社区 audio.cpp 的移植版，9 月 19 号刚合进主仓库，brew 装的二进制里还没有，得自己编。

这版每一步都重编码整句音频，句子越长越慢，M1 Pro 上 640 毫秒步长能跟上实时，官方 GPU 路线是 160 毫秒。三，ASR 加 14B 同传同挤一块 M1 Pro 的 GPU。我一开始让 T3PO 边听边探测，结果它把 GPU 吃满，识别反而被拖到落后 3 秒。

改成识别优先、每句提交完再交给 T3PO，识别回到实时，英文在每句说完后两三秒整段出来。T3PO 本身支持逐字喂、边听边译，但那需要两张卡，不是一台笔记本能同时伺候的。四，代码 Apache 2.0，权重是网易自己的 Model License，商用前看一眼。

只增不改这条路线 R2T2 不是第一个走的，Nemotron、Voxtral 都在做。它把这条路线的准确率追到了接近伪流式和离线的水平，然后开源了，这是我觉得它值得开源社区接住的原因。过去两年大家盯着中国开源模型的目光都在通用大模型上。

这次是两个垂类，实时语音识别和同传，分别把 OpenAI、NVIDIA、Google、腾讯的模型压在榜下，而且是一家平时不怎么在这个圈子出声的公司做的。垂类这条路，中国公司是真能跑到第一的！两个模型都开源了，代码和权重在这： R2T2 语音识别 GitHub: Hugging Face: T3PO 同传 GitHub: Hugging Face: