@rohanpaul_ai：语音代理应逐步处理语音，但仅对已提交的文本采取行动，因为快速转录如果修改文本……

语音助手应增量处理语音流，但仅对已确认文本采取行动——因为快速但不断修改的转录文本会破坏下游代理状态。

网易有道刚刚开源的 Confucius4-R2T2，正是一款严格遵循该约束构建的流式 ASR（自动语音识别）模型。

其核心特性是永不对已确认文本进行回溯修改，即识别出的文本绝不会在用户不知情的情况下被覆盖。

这种追加式输出机制直击语音助手领域的一个严重生产隐患：系统可能在用户结束发言前，就基于不完整的语音片段触发响应。

基于 Qwen3-ASR 构建的 R2T2 模型，采用最长稳定前缀学习算法来判断文本何时可安全输出、何时需要更多音频上下文。

Confucius R2T2 中一个易被忽视的精妙设计是：由于解码器基于大语言模型，可在运行时动态注入上下文信息。

无论是专有名词、产品术语、行业黑话还是会议议题，用户无需修改模型权重就能引导识别方向——这与将声学模型视为固定黑箱的设计理念形成了鲜明对比。