语音识别的真瓶颈不是模型，是“已输出的字还能不能改”：网易有道R2T2登顶Hugging Face

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。