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新聞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"發佈於AI新聞資訊發佈時間 :2026年9月21號 11:09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。2026年5月28號 14:01265.2kWispr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。2025年11月21號 11:21246.3k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2025年6月13號 10:31358.8k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，2025年1月21號 9:38428.
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"]2024年1月5號 9:02282.9k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
Related
相關文章
剛剛，Claude Code產品一姐加入OpenAI！
智東西 作者 | 王涵 編輯 | 雲鵬 智東西11月5日報道，剛剛，Claude Code和Cowork的核心產品負責人Cat Wu（Catherine Wu）宣佈將加入OpenAI，負責領導核心產品的管理工作。 “小龍蝦之父”即OpenClaw的創始人Peter Steinberger，與OpenAI o系列模型的開發者Noam Brown在評論區送上祝福。 昨天，Cat Wu在X上發文稱週五將是其在Anthropic的最後一天。有人在其評論區問：“你現在打那休那6個月的假嗎？”Cat Wu回答道：“post agi！（在AGI之後）”現在看來，這句話妥妥是個伏筆。 Cat Wu是技術出身，2013年至2017年，她在普林斯頓大學讀計算機科學專業，並曾去往瑞士蘇黎世聯邦理工學院交流學習。本科期間，她曾與同學開發協作白板應用Scratchwork。 畢業後，她加入Youtube從事技術工作。一年後，Cat Wu加入Scale AI擔任產品工程師一職，作為早期員工參與企業產品建設及運營規模化。2020年，她又跳槽至初創公司Dagster擔任工程主管，負責商業產品Dagster Cloud建設。 再之後，自2021年10月到2024年8月，Cat Wu成為了一名風險投資合夥人，在Index Ventures中負責投資企業軟件、數據基礎設施、開發者工具及AI創業公司等。 2024年8月，她正式加入Anthropic。 根據Cat Wu在Anthropic官網上的署名文章，她起初擔任研究產品團隊的產品經理。而後參與了Claude Code內部工具實踐，利用早期Claude Code構建用戶反饋分析工具、評測環境及強化學習相關實驗。 2025年起，她及團隊開始推動Claude Code產品化，定下了Claude Code的產品路線並搭建整體功能框架，將Claude Code推至C端。
OpenAI 新模型自動挖出 948 個 Linux 內核提權漏洞，每個漏洞利用成本僅 1279 美元
報告披露，OpenAI 利用一款即將推出的全新網絡安全模型，成功構建了一套涵蓋自動化漏洞發現、驗證、利用及修復的完整閉環流程，在真實測試中交出了一份驚豔的成績單。驚人的測試數據:千級候選漏洞中動態復現與利用在2026年10月進行的一次實戰測試中，該系統展現了極其強悍的自動化安全攻防能力。
Kimi Hosted Agents 發佈:Harness 運行時轉向雲端託管
開發者無需自建運行框架，即可獲得7×24小時託管環境，支持長程任務執行與多智能體協作，按需配置 Agent 構建兩類應用:集成至企業內部系統做監控與運維響應，或嵌入對外產品提供 App 內投研助手、客服助手。平臺提供獨立沙箱與網絡訪問權限控制，可設定操作邊界並隨時中止會話;執行過程留痕可查、支持審計導出，並給出計費規則與用量報表。
蘋果還沒造出智能體，卻在年報裡把它寫成了風險
作為面向投資者的正式文件，10-K 對風險的每句措辭都帶著法律層面的披露義務。有意思的是，這家公司至今還沒有一款真正落地的 AI 智能體產品，眼下只想在嚴格隱私保護下繼續打磨 Siri。其首席執行官也把智能體稱作"有前景的工具"，但提醒用戶必須清楚自己究竟交出了哪些權限。
國產RNA生物大模型重大突破：中國科大團隊研發 structRFM 登上《自然》並全面開源
DeepSeek-R1、Kimi-K3、Meta-Llama-3等。該榜以開發者點贊為評選口徑，反映真實偏好，而非跑分或參數規模，成社區史上最受歡迎開源模型。Sep 16, 2026315.6k上海 AI Lab 開源多模態基礎大模型書生-S2：Memory Decoder 插拔記憶，科學長程任務對標頂尖閉源上海AI實驗室開源書生-S2，通用能力居開源第一梯隊，生物、材料、化學等科學長程任務比肩頂尖閉源模型。
GPT-6.2 蛛絲馬跡提前洩露，OpenAI 三款新模型或本週亮相
部分 Codex 用戶在查看用量明細時，意外發現"gpt-6.2-astra"的標識悄然出現，而此時產品界面的模型選擇器仍只標註著 GPT-6 Astra。版本號的提前現身，往往比任何預熱海報都更直白地預告著更新臨近。內部標識搶在官宣之前外流，幾乎成了 AI 廠商之間心照不宣的"慣例"，每一次後臺字符串的意外露面，都會被外界當作發佈倒計時開始的信號。