快手把直播字幕延遲砍到 500 毫秒內：自研端到端工程範式，把電商直播的字幕打成"實時"

AI資訊AI新閒資訊正文快手把直播字幕延遲砍到 500 毫秒內：自研端到端工程範式，把電商直播的字幕打成"實時"發布於AI新閒資訊時間 :Sep 21, 2026閱讀 :1分鐘快手電商直播技術團隊端出了一套名為 Live Captioning Engineering 的實時字幕工程範式，把直播字幕這件事從"能出字"推進到了"實時出、準出字"。最直接的數字是:主播發聲到字幕具備展示條件的端到端延遲，從過去的1.5到2秒壓到了400到500毫秒，字符錯誤率（CER）從7.81% 降到3.

51%，背後還要撐住千萬級的持續併發——這在以高併發、強實時著稱的電商直播場景裡，第一次有了一套成體系的工程打法。這套範式的核心，是把字幕的交付拆成四段接力。第一段是語音識別（ASR），模型把主播的聲音流實時轉成文字;第二段是 PTS 對齊，把識別出的文本和音視頻的時間戳對上，確保字幕和畫面嘴型不脫節;第三段是級聯分發，識別結果經過服務鏈路推送到海量觀眾端;第四段是端側渲染，由用戶手機上的播放器把字幕畫出來。四段串起來，才算完成"說話—出字"的閉環，任何一段拖沓都會直接體現在觀眾看到的延遲上。最考驗功力的是流式修訂機制。

直播語音是連續的，模型邊聽邊改，前一句話的識別結果很可能在聽到後半句時被推翻重來，所以系統必須能區別"哪句話、第幾次修訂、該排在時間軸的哪個位置"——這正是 sentenceId、revision 和播放器時間線三件套存在的意義。sentenceId 鎖定一句完整的話，revision 標記這句話被修訂到第幾版，播放器時間線則決定修訂後的字幕該在哪一幀刷新，三者配合才能在不閃爍、不串行的前提下，把不斷修正的字幕穩穩貼在畫面上。對想搭建高併發實時 AI 系統的團隊來說，這套把"流式、修訂、對齊"講透的工程經驗，比單純的識別準確率更有參考價值。

相關推薦阿里語音大模型霸榜國際權威榜單，奪得國產語音 AI“三冠王”2026年5月28日，全球AI評測平臺Artificial Analysis發佈語音排行榜，阿里巴巴的Fun-Realtime-TTS-Preview語音大模型以1190分獲全球第五、國產第一。該模型在ASR等三大核心語音賽道均居國內榜首，展現全面領先實力。May 28, 2026265.2kWispr再獲 2500 萬美元B+輪融資：年用戶增長 100 倍，擬自研ASR把錯誤率壓至10%語音AI公司Wispr完成2500萬美元B+輪融資，總融資額達8100萬美元。

其產品Flow Dictation上線三個月後，50%字符通過語音輸入，已服務270家財富500強企業及125家付費機構。用戶年同比增長100倍，12個月留存率70%，月環比增速穩定在40%。自研ASR錯誤率僅10%，技術表現突出。Nov 21, 2025246.3k羅永浩數字人直播即將首秀百度電商，再探“AI+IP”帶貨新模式知名電商主播羅永浩於6月12日通過微博宣佈，其數字人形象將於6月15日在百度電商平臺開啟直播帶貨，並歡迎“老朋友們”屆時前來充當“人肉驗真儀”，引發業界關注。

此前，羅永浩已於5月23日在百度電商進行了首次直播，短短4小時內，GMV（商品交易總額）突破5000萬元，觀看人數超過千萬人次，顯示出其強大的號召力。據瞭解，羅永浩是首位嘗試使用數字人進行直播帶貨的頭部主播。此次數字人直播的推出，得益於百度在高說服力數字人等關鍵技術方面的突破，為頭部主播與數字人技Jun 13, 2025358.8k豆包App推出新語音模式，搶先GPT-4o實現唱歌和角色扮演2025年1月20日，豆包 App 正式發佈了其最新的 “端到端” 語音大模型，並對實時語音通話功能進行了重要更新。

這一進展標誌著豆包在語音交互領域的又一次飛躍，超越了之前的 ASR（自動語音識別）、LLM(大語言模型)和 TTS(文生音頻)的級聯方案，將語音識別、理解和生成整合在同一個模型中。經過《智能湧現》的測試，新版豆包的最大亮點在於其具備了人類般的表達能力和情感輸出，提升了對話的流暢度與智能水平。尤其是 “靈魂歌手” 和 “百變大咖” 模式，讓豆包不僅能夠進行唱歌，Jan 21, 2025428.

1k騰訊雲推出語音識別系統 ASR，大模型上線["騰訊雲 ASR 升級，更好處理方言和噪聲","ASR 支持 23 種方言識別和噪聲過濾","使用大語言模型提升識別準確率","產品廣泛應用於內外部企業客戶","騰訊雲 ASR 已達百億次單日調用量"]Jan 5, 2024282.9k智啟未來，您的人工智能解決方案智庫English簡體中文繁體中文にほんご© 2026