大声读 · ReadAloud

对着屏幕念一段英文，念完就知道哪个词念错了。

英语流利说那一套，一个开源的实时 ASR 模型加一个开源的判词模型就能平替 —— 而且可以整套跑在你自己的显卡上，不联网、不上传、不按分钟计费。

念的时候字是一个个亮起来的，念错的当场标红，念完点一下出总分。 一台 12GB 的卡就够。

R2T2 负责听。 它是真流式，最低 160ms 的步长往外吐词，还有个叫 stable prefix 的机制：已经提交的文本只增不改。传统流式 ASR 会来回改词， I want to book 变成 I want to look 再变回来 —— 给人看字幕还行，可下游要是 接了另一个模型，它就得跟着反复撤销自己刚做的判断。正因为有这一层，屏幕上划过的 线不会闪、判过的分不用重判，漏读多读也能直接拿识别结果算。

Jev 负责判。 它只在你事先声明好的空间里回答：是否、选一个、1–5 打分， 并且给概率。所以这里只问它文本层面的事 —— 念的是不是原文那个词、错法属于哪一类、 整段意思有没有走样。选它的理由很直接：快，一次判决几十到几百毫秒，几乎不花钱。

麦克风 → R2T2（流式转写，只增不改 + 时间戳） → 对齐 → Jev（封闭问题判决） → 本机算术 → 划线 + 总分

对齐这一步挑出对不上的那几个词，只有它们值得问模型；剩下的全是算术，留在本机。

不用显卡也能先看效果 —— ASR_PROVIDER=mock 不碰麦克风，按 160ms 的节奏吐词并 预埋三类真实错误，整条判分链路照样跑通。

npm install
npm run dev        # http://localhost:3000（被占用会自动换端口）
npm test           # 对齐 / mock / 节奏算术的单测，不联网

.env.local（不要提交）：

JEV_API_KEY=sk-ai-v1-...                          # ZenMux 的 key
JEV_ENDPOINT=https://zenmux.ai/api/v1/systemone   # Jev 走自己的 System One 接口，不是 chat/completions
JEV_MODEL=typesafe/jev-1.13

ASR_PROVIDER=r2t2                                 # mock = 不用麦克风，按节奏吐词并预埋三类错误
R2T2_WS_URL=wss://...                             # 见下
R2T2_LANGUAGE=English

变量叫 JEV_API_KEY 而不是 ZENMUX_API_KEY：机器 shell 里可能已有别的项目的 ZENMUX_API_KEY，而 shell 变量在 Next 里盖得过 .env.local。 开了 Clash 之类代理时，Node 的全局 fetch 不认 https_proxy（curl 认）， lib/jev.js 检测到代理会改用 undici ProxyAgent 并显式带上 SNI。

模型：netease-youdao/Confucius4-R2T2 （Qwen3-ASR 微调，~2B，真流式，最小 160ms 步长）· GitHub

想马上试：用有道线上 demo 的中继（r2t2.youdao.com/demo 页面里就有 token），单次会话 30 秒上限，填进 R2T2_WS_URL 即可。

想要自己的：有张 NVIDIA 的卡就行，12GB 够用（Ampere 以上）。跑起来之后音频不出本机， 也没有时长限制。

自部署要 CUDA（Mac 跑不了，infer_mode 绑死 vLLM），步骤与七八个会咬人的坑 ——language 传错会让流式退化成整句、显存参数按大卡写死、服务默认 0.0.0.0 + 写死的 secret_key、浏览器采音与离线跑 wav 的两处差异——都在 docs/deploy-r2t2.md。

别设 R2T2_SYSTEM_PROMPT 塞原文 —— LLM 解码器会顺着提示把念错的词改回去，分就假了。

app/page.js   待读 → 朗读中 → 判词中 → 读完（总分钮 → 明细面板）
app/api/      asr：mock 的 SSE 流 / r2t2 的中继地址 · score：一次判分
lib/align.js  词级对齐 —— 决定哪些词值得问 Jev
lib/jev.js    ZenMux System One 客户端（含代理兜底）
lib/score.js  问题构造、判决解析、四项子分与总分
lib/asr.js    provider：mock / r2t2（WebSocket + PCM16）
lib/mic.js    浏览器采音与重采样 · lib/speak.js 范读与逐词高亮