摘要：主流流式ASR的默认假设是"允许回改"，字幕跳来跳去，下游Agent基于第一版字幕执行了动作，第二版到了，动作已经发出去了。网易有道Confucius4-R2T2走了一条相反的路：输出不可逆。已commit的字永久锁定，用"等待"代替"回改"。中文字错率6.42%，登顶Hugging Face ASR Trending，力压Whisper。
一、伪流式的代价：下游拿到的是草稿，不是文本
一个直播字幕的真实场景：说话人说"我们打算下周发布"。流式ASR先蹦出"我们打"，两秒后改成"我们打算不"，再过一秒又改成"我们打算下周"。屏幕闪了三下。
人看字幕，闪一下能忍。但下游Agent不能。如果Voice Agent在"我们打"那一刻触发了"打架"相关的意图识别，在"我们打算不"那一刻又触发了否定逻辑，动作已经发出去了，改不回来。
延迟指标看起来很漂亮，但输出的每一个字都是不确定的。下游系统拿到的不是"文本"，是"随时可能被推翻的草稿"。
R2T2提出的问题是反方向的：如果输出从第一次出现就锁定，下游是不是就能立刻行动了？答案是：中文字错率6.42%，英文WER 6.13%，延迟0.55秒，登顶Hugging Face语音识别Trending榜。锁定输出之后，准确率没有崩。
二、Commit/Wait不是阈值判断，是学出来的
R2T2每80毫秒对当前音频碎片做一次决策：当前累积的文本前缀，哪些已经足够稳定，可以永久commit；哪些还需要更多音频，必须wait。
这不是"置信度超过0.9就输出"。阈值判断会在不确定的时候被迫二选一：要么赌一把commit一个错的，要么无限期wait。
Commit/Wait背后是Longest Stable Prefix（LSP）学习范式。训练时用一个离线的强模型当"老师"，对每一段音频前缀，计算它的识别结果与完整音频最终结果之间的最长公共前缀，标记出"迟早不会变"的那一段。然后用这些数据微调R2T2，让它学会一件事：给定目前收到的音频，我能确定到哪，剩下的必须等。
这就像同声传译员。新手听到第一个词就开始翻，翻错了再改。老手会等半句，在脑子里确认"这个方向不会错"之后才开口。LSP训练的就是这种"等半句"的克制。
三、三个可迁移的设计原则
原则一：把"何时输出"和"输出什么"分开建模。 传统ASR只建模"输出什么"，输出时机由外部VAD或固定chunk决定。LSP把"稳定性判断"内化到了模型里，模型自己决定commit还是wait。
原则二：训练数据要标注"未来不变性"，而不只是"当前正确性"。 如果训练目标只惩罚"当前输出错了"，模型会倾向于尽早输出。LSP标记的是"这段前缀永远不会变"，模型学到的是克制的时机判断。
原则三：不可逆性要在解码层面硬保证，不能靠prompt约束。 如果模型只是"被要求不要回改"，它在不确定时仍然可能违反。R2T2的做法是forced prefix，已commit的内容在解码路径上不可触及，回改不是一个"选项"。
四、边界与局限
滚动回退窗口不是零回退。 unfixed_token_num默认1，末尾token仍可微调，这是工程折中。如果场景要求"任何一个token都不能改"，需要设unfixed_token_num=0并评估准确率损失。
多语言性能不均衡。 中文和英文是重点优化语言，其他29种语言的流式表现未公开完整基准。
延迟数据依赖配置。 200到600毫秒是160毫秒chunk配置下的平均延迟，不同chunk size、不同硬件上延迟会变化。
五、核心判断
当前流式ASR的主流叙事是"边听边改，延迟越低越好"。R2T2的数据证明了一个反直觉的结论：延迟不是唯一的瓶颈。输出的不可逆性，可能比延迟更重要。
200到600毫秒的平均延迟，和离线识别接近的准确率，这两件事同时成立的前提，是模型学会了"什么时候该等"。等来的不是更高的延迟，是可被下游立刻信任的输出。
如果你的系统里有流式ASR，做一次测试：在字幕出现的瞬间触发下游动作，然后观察这个动作会不会被后续的字幕推翻。如果会，你的管道就是伪流式的。延迟再低，输出仍然是草稿。
查看原文
以上仅为核心速览。完整版包含：Commit/Wait机制的完整技术拆解、LSP训练数据的三个构件（稳定前缀数据、强制时间对齐、Token级音频切分）、24层编码器+28层Qwen3解码器的架构细节、forced prefix+滚动回退窗口的推理协议、以及流式ASR"append-only"的完整检验清单。
本文首发于微信公众号「阿Q的AI笔记」，点击下方链接阅读全文：
Confucius4-R2T2的Commit/Wait：语音识别的真瓶颈不是模型，是"已输出的字还能不能改"
关注公众号
如果你想获取完整的技术拆解、LSP训练细节和流式ASR部署指南，欢迎关注公众号「阿Q的AI笔记」。