练口语一年几百块的会员费，被两个开源模型免费平替了

念错的词当场变红，念完出总分——现在能在自己的显卡上跑

上周在客厅干了一件挺无聊的事：对着屏幕大声念英文。

念的时候，屏幕上的字会跟着进度逐词往下亮；念错哪个词，它当场变红；念完给总分，还告诉这句里哪几个词是漏读、哪几个词是多念出来的。

这东西以前是要花钱的。口语打分、逐句纠音、流利度评分，一年几百块，录音还得上传到别人的服务器。

现在它被两个开源模型拆开平替了。一个负责「听」，一个负责「判」，一张 12GB 显存的 NVIDIA 卡就能跑起来。

想在家大声朗读练口语的，这篇建议先收藏。

这两个模型完全不是一个路子。

一个负责感知，一个负责裁决

真正有意思的是 Jev 的“本事”窄得离谱：是否、选一个选项、1 到 5 打分，然后给一个概率，就这样。它不是通用大模型，没法让它写文章、聊天、做翻译。

但它快。单次判决几十到几百毫秒，调用成本几乎可以忽略。

R2T2 全称 Real Real-Time Transcription，网易有道出品，底座是 Qwen3-ASR，1.7B 规模，整体约 2B 参数。

它的核心创新叫 stable prefix，最长稳定前缀。

传统流式 ASR 的干活方式是“先猜后改”——一边听一边往外吐词，下一秒听到更多音，就把刚说出口的字改掉。I want to book 过一会儿可能变成 I want to look。

给人看实时字幕，改一改无伤大雅。可下游要是再接一个模型，它就得跟着反复撤销自己刚做的判断，前一步判完的分全作废。

R2T2 的机制是：已经提交出去的文本，只增加，不修改。它吐出来的每一个词都是终局判决。

有了这层保证，才敢把识别结果直接拿过来，去算漏读、多读、错读。否则屏幕上画好的线要来回闪，判过的分得重判。

吐词间隔最低 160ms，解码块能在 80ms 到 2s 之间调。而且这个延迟不是用准确率换来的：

开源流式 ASR 里目前是SOTA 水平，跟头部闭源系统比也不虚。模型权重在 Hugging Face 和 ModelScope 上都能下，推理代码走 Apache 2.0。

这是整个项目里最喜欢的设计。

它没有把所有东西都丢给大模型，而是先做词级对齐。对齐会挑出哪些词对不上，只有这些“对不上”的词才值得去问模型，剩下全是本机算术。

评判项直接摊开看：

这也解释了为什么 stable prefix 是前提，而不是一个可有可无的优化项。文本只增不改，屏幕上的线才不会闪，判过的分才不用重判。

自部署 R2T2 的门槛比想象中低：一张 NVIDIA 显卡，12GB 显存够用，需要Ampere 架构以上。

Mac 跑不了，因为它的 infer_mode 绑死了 vLLM，必须有 CUDA。

没显卡也想先看效果的话，把 ASR_PROVIDER 设成 mock 就行——不碰麦克风，预埋三类真实错误，整条判分链路照样跑通。

音频不出本机，也没有时长限制。这点对练口语的人挺重要：可以反复念同一段，念到满意为止，不用担心被按分钟计费。

想马上试，也可以走网易有道的线上 demo 中继，单次会话 30 秒上限，适合先摸个手感。

仓库是 Next.js 写的，跑起来三步：

.env.local 里填这几行，别提交到 git：

两个坑，自己都踩过一遍：

一直觉得，2026 年最有意思的 AI 应用形态，不是又一个大模型，而是两个小模型各干一件窄事，拼出一个以前要花钱才有的体验。

R2T2 只干听，Jev 只干判，加起来把口语评测这件事做完了，还顺手把隐私和费用的问题一起解决。仓库 README 里那句描述挺喜欢——“对着屏幕念一段英文，念完就知道哪个词念错了”。就这么点事，做到位了就是刚需。

有卡的今晚就能试，没卡的先用 mock 模式看看效果。在家大声朗读练起来。

分享的主要是关于 AI、互联网、创业、副业、职场规划等思路。

如果觉得文章不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给个星标⭐～谢谢你看我的文章，我们，下次再见~

THANKS FOR READING