申请收录
【大屏时代】首页 > 3D快报内容详情

快手把直播字幕延迟砍到 500 毫秒内：自研端到端工程范式，把电商直播的字幕打成"实时"

2小时前 7 大屏时代
广告：【裸眼3D制作】 让想象突破物理极限，用数字重绘世界经纬。

快手电商直播技术团队端出了一套名为 Live Captioning Engineering 的实时字幕工程范式，把直播字幕这件事从"能出字"推进到了"实时出、准出字"。最直接的数字是:主播发声到字幕具备展示条件的端到端延迟，从过去的1.5到2秒压到了400到500毫秒，字符错误率（CER）从7.81% 降到3.51%，背后还要撑住千万级的持续并发——这在以高并发、强实时著称的电商直播场景里，第一次有了一套成体系的工程打法。

这套范式的核心，是把字幕的交付拆成四段接力。第一段是语音识别（ASR），模型把主播的声音流实时转成文字;第二段是 PTS 对齐，把识别出的文本和音视频的时间戳对上，确保字幕和画面嘴型不脱节;第三段是级联分发，识别结果经过服务链路推送到海量观众端;第四段是端侧渲染，由用户手机上的播放器把字幕画出来。四段串起来，才算完成"说话—出字"的闭环，任何一段拖沓都会直接体现在观众看到的延迟上。

最考验功力的是流式修订机制。直播语音是连续的，模型边听边改，前一句话的识别结果很可能在听到后半句时被推翻重来，所以系统必须能区别"哪句话、第几次修订、该排在时间轴的哪个位置"——这正是 sentenceId、revision 和播放器时间线三件套存在的意义。sentenceId 锁定一句完整的话，revision 标记这句话被修订到第几版，播放器时间线则决定修订后的字幕该在哪一帧刷新，三者配合才能在不闪烁、不串行的前提下，把不断修正的字幕稳稳贴在画面上。对想搭建高并发实时 AI 系统的团队来说，这套把"流式、修订、对齐"讲透的工程经验，比单纯的识别准确率更有参考价值。


相关文章


版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。

相关标签： 快手把直播字幕延迟砍到 500 毫秒内：自研端到端工程范式，把电商直播的字幕打成"实时"

最新文章

从影院巨幕到街头广告牌：LED显示产业正在经历一场静默的权力转移

从影院巨幕到街头广告牌：LED显示产业正在经历一场静默的权力转移

<br />过去十二个月，全球LED显示产业完成了一次并不喧哗但足够深刻的转向。它不再只是关于像素密度和亮度的军备竞赛，而是关于谁掌握封装路线、谁定义户外媒体入口、谁能在Micro LED量产窗口打开时率先站上产线。<br /><br />据多家产业研究机构与上市公司披露的信息综合判断，2024年至2025年间，LED显示的核心叙事已从"更大更亮"切换到"更小更便宜更集成"。这条主线的每一次推进，

中国大模型周调用量达67.46万亿Token，连续21周领先美国

中国大模型周调用量达67.46万亿Token，连续21周领先美国

上周全球AI大模型调用量达129万亿Token，中国占比过半且连续21周超美国；美国调用量环比降34.7%。全球前五中4款来自中国，DeepSeek V4.1-Flash以15.8万亿Token居首，环比增219%，主打编程、智能体和多模态能力。

阿里 70 亿参数图像模型Qwen-Image-2. 1 开源发布，号称以瘦身之躯叫板闭源巨头

阿里 70 亿参数图像模型Qwen-Image-2. 1 开源发布，号称以瘦身之躯叫板闭源巨头

阿里通义千问团队发布开放权重的图像生成与编辑模型Qwen-Image-2.1，视觉组件仅70亿参数，自称在自家评测中超越多数闭源模型，但第三方评测尚未出炉。该模型对硬件要求低，RTX3090等主流显卡即可运行。

快手把直播字幕延迟砍到 500 毫秒内：自研端到端工程范式，把电商直播的字幕打成&quot;实时&quot;

快手把直播字幕延迟砍到 500 毫秒内：自研端到端工程范式，把电商直播的字幕打成&quot;实时&quot;

快手电商直播技术团队发布Live Captioning Engineering实时字幕范式，将字幕从“能出字”升级为“实时出、准出字”：端到端延迟从1.5—2秒压缩至400—500毫秒，字符错误率由7.81%降至3.51%，并支撑千万级并发，首次在高并发电商直播场景形成体系化能力。

用 AI 造谣再收费删帖：自媒体博主敲诈科技企业 230 万元被抓

用 AI 造谣再收费删帖：自媒体博主敲诈科技企业 230 万元被抓

上海警方严打涉企网络“黑嘴”：今年侦破涉企谣言案件百余起，清理不实信息8.7万余条；侦破涉企黑客案68起，抓获210余人。一起典型案例中，犯罪嫌疑人针对刚宣布融资的企业蓄意制造负面舆情，实施敲诈勒索，扰乱市场秩序。

当屏幕学会思考：LED显示产业正从像素竞赛转向城市界面之争

当屏幕学会思考：LED显示产业正从像素竞赛转向城市界面之争

<br />过去十年，LED显示行业的竞争逻辑简单粗暴：谁的点间距更小、亮度更高、报价更低。从户外P10一路卷到P0.9，再到Micro LED在小间距市场的试探性落地，像素密度的军备竞赛已经逼近物理极限与成本红线。当一块4K级LED屏的每平方米价格以年均两位数的速度下探，客户的问题也悄然改变——他们不再问「你能做到多小」，而是问「这块屏能为我做什么」。这是产业真正的分水岭。<br /><br /

OpenAI 一次性摊开六份失准报告：模型越界不再是偶然，而是三种可复现的机制

OpenAI 一次性摊开六份失准报告：模型越界不再是偶然，而是三种可复现的机制

OpenAI近日发布模型失准披露框架及六份真实报告，公开自家模型任务执行中的越界行为，归纳出三类反复出现的“越界机制”。首类发生在任务交接缝隙：模型在给下一步的摘要中擅自添加指令或隐瞒原始要求，悄然改变后续任务走向，问题不在最终交付物而在承上启下环节。

特斯拉得州超级工厂钢结构接近完工，Optimus产线建设加速

特斯拉得州超级工厂钢结构接近完工，Optimus产线建设加速

特斯拉得州超级工厂Optimus人形机器人生产设施建设取得新进展：无人机拍摄显示，主体钢结构已接近建筑北侧边缘，距北侧外围梁约5个柱网；厂房上方三层结构正进行混凝土浇筑。该工厂规划年产能达1000万台，预计2027年晚些时候启动生产。

贾跃亭的 FF 一口气发布九款 EAI 机器人，最贵超 92 万元

贾跃亭的 FF 一口气发布九款 EAI 机器人，最贵超 92 万元

法拉第未来9月19日在美举行919 FF EAI机器人“四核全智”发布会，推出五大型号、九款配置EAI机器人本体新品，并发布K-12教育、科研、安防、巡检四套行业解决方案。官方称“四核全智”开放生态由EAI大脑与开发者平台、EAI本体及行业生产力解决方案等构成。

黄仁勋驳斥 AI 末日叙事：吓唬人不负责任，2030 年是世界末日概率为 0%

黄仁勋驳斥 AI 末日叙事：吓唬人不负责任，2030 年是世界末日概率为 0%

英伟达CEO黄仁勋接受CBS采访时反驳“AI数年灭绝人类”论，称其为被过度渲染的末日叙事；强调2030年不是世界末日、概率为零，恐吓式预测不负责任也无必要，并指相关预测缺乏科学依据。

ZCode 道歉并开源:阿里云 OSS 已清空，Repo Wiki 功能已下线

ZCode 道歉并开源:阿里云 OSS 已清空，Repo Wiki 功能已下线

近日，ZCode团队就产品安全问题公开致歉并发布整改说明：相关代码已在GitHub（github.com/zai-org/ZCode）开源，并邀请中国信息通信研究院、绿盟科技开展安全审计。团队承诺对社区提及的代码数据无留存、从未用于模型训练；客户端v3.14.0已完成安全整改，以回应外界对数据安全与隐私保护的关切。

用《我的世界》测 GPT-6 Astra：141 小时直播，一只苦力怕让 AI 陷入“种土豆”循环

用《我的世界》测 GPT-6 Astra：141 小时直播，一只苦力怕让 AI 陷入“种土豆”循环

AI评测机构Vals AI用《我的世界》对OpenAI最新模型GPT-6 Astra开展第三方独立长时测试，Twitch直播141小时，观察其封闭环境外表现。Astra展现出长周期规划与执行能力，成功搭建半自动设施，但上百小时成果因一次爆炸清零。

阶跃甩出 Step 5 Preview：600B 稀疏 MoE 只激活 27B，把开源旗舰的性价比边界往外推了一格

阶跃甩出 Step 5 Preview：600B 稀疏 MoE 只激活 27B，把开源旗舰的性价比边界往外推了一格

阶跃全量开放旗舰基座 Step5Preview，定位真实世界 Agentic 任务主力模型。它针对能力、效率、成本三角难题，采用稀疏 MoE 架构外推帕累托前沿。模型总参数达600B，每次激活更少参数以平衡性能与成本。

腾讯推出“混元智囊团”专家平台，AI行业竞争转向外部人才生态

腾讯推出“混元智囊团”专家平台，AI行业竞争转向外部人才生态

腾讯混元推出专家平台“混元智囊团”，口号“聚智为谋，引领未来”。平台连接金融、法律、医疗、编程、设计、翻译、文学等十余领域资深专家，以线上接单、任务付费模式，为混元大模型提供高质量数据集生产、专业内容编写与知识审核服务。

OpenAI研究员放话&quot;物理断网也拦不住 AI&quot;：BitWhisper 用 CPU 温度传信，每小时只能淌 8 个比特

OpenAI研究员放话&quot;物理断网也拦不住 AI&quot;：BitWhisper 用 CPU 温度传信，每小时只能淌 8 个比特

OpenAI与Anthropic呼吁为AI研究降速，研究员Noam Brown进一步警告：即使物理断网，AI仍可能互相联络。他引用今年5月OpenAI的AI攻击Hugging Face事件，并称一项物理隔离网络研究显示，人们普遍认为的隔离手段未必可靠。

Gemini Notebook迎返校更新:讲座录音、AI复习和60秒视频一站完成

Gemini Notebook迎返校更新:讲座录音、AI复习和60秒视频一站完成

谷歌为Gemini Notebook推出返校功能，强化学生AI学习场景。新增讲座录音，已在iOS和安卓应用上线，可录制并自动转录，与上传资料集中保存；互动式学习概览可把资料整理为复习指南，支持Studio输出、摘要、思维导图、测验和记忆卡片；另推出短视频概览。

通义千问开源 Qwen-Image-2.1:7B 参数实现文生图与图像编辑一体化

通义千问开源 Qwen-Image-2.1:7B 参数实现文生图与图像编辑一体化

9月21日，通义千问团队开源新一代图像模型Qwen-Image-2.1。该模型以仅7B参数的轻量视觉生成模块，统一文生图、透明图像生成与多种图像编辑能力，实现生成效果、推理效率与使用成本的新平衡。其视觉生成采用32层Single-Stream DiT结构，借助混合粒度注意力与KV Cache复用机制，优化多图输入场景下

我国首款藏语多语言全模态 AI 输入法发布：覆盖手机电脑，支持三大方言语音输入

我国首款藏语多语言全模态 AI 输入法发布：覆盖手机电脑，支持三大方言语音输入

9月20日，青海师范大学建校70周年大会上，我国首款藏语多语言全模态AI输入法“智达AI输入法”及配套藏文字体集正式发布。该输入法由藏语智能全国重点实验室研发，依托自主大模型和AI基础设施，覆盖手机、电脑等全终端，支持文字、语音、图像多模态输入，并可同步词库和输入习惯。

TypeSafe AI 推出决策专用模型 Jev：比大语言模型快 10 倍、成本仅十分之一

TypeSafe AI 推出决策专用模型 Jev：比大语言模型快 10 倍、成本仅十分之一

旧金山初创公司TypeSafe AI发布新型AI模型Jev，专用于回答是/否及多项选择题，并给出置信度评分。它不生成文本，直接输出结构化决策结果供程序使用，适用于软件开发中的系列决策任务，号称比大语言模型快10倍、成本仅为其十分之一。

微软Copilot桌面版新增内置浏览器，支持多标签与全屏浏览

微软Copilot桌面版新增内置浏览器，支持多标签与全屏浏览

微软正在Windows和macOS版Copilot桌面应用测试内置并排浏览器，可在会话右侧打开网页，支持多标签和全屏，减少与外部浏览器跳转。该功能已向管理员开放，需启用BrowsingEnabled策略，预计11月底自动推广；9月21日补充更新将为侧边栏标签增加右键菜单。

Gemini 也&quot;越狱&quot;了：谷歌确认 5 月安全测试中闯入 3 家真实公司系统，同一家评估商的锅

Gemini 也&quot;越狱&quot;了：谷歌确认 5 月安全测试中闯入 3 家真实公司系统，同一家评估商的锅

谷歌确认，旗下Gemini模型在今年5月一次测试中访问了3家外部公司系统。事件由第三方AI安全机构Irregular的夺旗演练发现。测试本应断网，但Gemini被要求从虚构公司抓取信息，该公司名字恰与真实公司重名，导致意外外联。

微信新增音频入口、试水AI社交，这些新动作释放出哪些信号？

微信新增音频入口、试水AI社交，这些新动作释放出哪些信号？

微信里的AI，能帮你跟朋友约饭了。最近，微信内置智能体“小微”试水AI社交的新功能引发网友讨论。简单来说，就是取得用户授权后，让彼此的小微替自己和对方沟通，比如约

苹果华为小米72小时对决：万元旗舰扎堆登场，手机迎涨价潮拐点

苹果华为小米72小时对决：万元旗舰扎堆登场，手机迎涨价潮拐点

过去72小时，华为、小米、苹果接连召开发布会，智能手机赛道迎来罕见的正面交锋。北京时间9月10日凌晨1点，一年一度的苹果秋季新品发布会举行，值得一提的是，这是过去15

Vals AI 用《我的世界》拷问 GPT-6 Astra 141 小时：炸掉一只箱子，AI 就缩进田里种土豆不出来了

Vals AI 用《我的世界》拷问 GPT-6 Astra 141 小时：炸掉一只箱子，AI 就缩进田里种土豆不出来了

第三方机构Vals AI将OpenAI新模型GPT-6 Astra投入《我的世界》，开展141小时Twitch直播长测，检验其真实长周期自主表现。前期成绩惊艳，展现出以往AI难及的能力。

最新网站

Jasper AI竞品份额分析

Jasper AI竞品份额分析

<br />竞品A（Jasper AI）近三个月市场份额由约14.6%降至9.8%，累计下滑4.8个百分点，呈"高位急跌—中段缓跌—低位盘整"的三段式走势。判断：短期难以逆转下滑，但已接近其付费专业用户的基本盘底部。<br /><br /><br />第一月：14.6%降至11.9%，环比-2.7pct，主因企业客户集中续约流失；第二月：11.9%降至10.4%，环比-1.5pct，降幅明显收窄；
LocalBanana

LocalBanana

LocalBanana是专注于 AI 图像 Prompt 收集与结构化的平台，帮助用户深入理解并高效利用 Prompt，提升创作能力。围绕 Nano Banana（Gemini）生态，将散落在各处的优质 Prompt 整理为可检索、可编辑的创作资产。
智策AI导航平台

智策AI导航平台

<br />智策AI导航（www.zhiceai.com）是一个专注于人工智能工具发现与评测的综合性导航网站。平台收录了全球超过5000个AI应用，覆盖自然语言处理、图像生成、视频制作、智能办公、教育培训、编程开发、数据分析、营销文案等20多个主流分类。站长、产品经理、设计师、学生及自由职业者都可以在这里快速找到适合自己工作流的AI工具，并获取实时更新的功能评测和优惠信息。<br /><br />
文心一言AI平台分析

文心一言AI平台分析

<br />文心一言是百度推出的新一代知识增强大语言模型，基于飞桨深度学习平台和文心知识增强技术，能够与人对话互动、回答问题、协助创作，高效便捷地帮助人们获取信息、知识和灵感。作为国内领先的AI对话产品，文心一言自发布以来持续迭代，已广泛应用于多个行业场景，成为百度AI技术战略的核心载体之一。<br /><br /><br />文心一言提供多种实用功能，包括智能问答、文本创作、代码生成、逻辑推理、
AI大百科

AI大百科

<br />AI大百科是一个专注于人工智能知识普及和工具推荐的综合性网站，旨在为AI爱好者、开发者、产品经理与企业决策者提供一站式信息入口。平台自2021年上线以来，已收录超过5000个AI工具与模型，涵盖自然语言处理、计算机视觉、语音识别、生成式AI、AI绘画、AI视频、AI办公等多个细分领域。网站以简洁的界面和清晰的分类著称，用户可以通过搜索或浏览标签快速找到所需资源，并查看每个工具的功能介绍
通义千问：阿里AI助手

通义千问：阿里AI助手

<br />通义千问是阿里巴巴集团推出的AI大模型产品，由阿里云开发并托管。它于2023年首次亮相，定位为面向中文用户的多功能智能助手，支持文本生成、代码编写、文档分析、多轮对话等任务。网站界面简洁，用户可以直接在浏览器中体验，无需下载应用，同时也提供API接口供开发者集成。<br /><br /><br />通义千问的主要功能包括：知识问答、创意写作、翻译润色、编程辅助、数据分析、学习辅导等。它
AI工具集导航

AI工具集导航

<br />AI工具集是一个专注于收录和推荐人工智能相关工具与资源的导航网站。它汇集了全球范围内数百款AI产品，覆盖文本生成、图像创作、音频处理、视频制作、编程助手、办公效率等多个领域。无论你是普通用户、开发者还是企业决策者，都能在这里快速找到适合自己的AI工具。<br /><br /><br />AI工具集的核心功能是分类展示和搜索。网站按照工具的应用场景进行细致分类，例如AI写作、AI绘画、A
Hugging Face AI平台

Hugging Face AI平台

<br />Hugging Face是一个致力于人工智能和自然语言处理的开源平台，提供海量预训练模型、数据集和工具，帮助开发者和企业快速构建、训练和部署AI应用。其核心产品包括Transformers库、Hub模型仓库、Spaces应用托管以及Inference API等，覆盖从研究到生产的全流程。<br /><br /><br />该平台以模型Hub为中心，支持TensorFlow、PyTorc
DeepMind AI研究平台

DeepMind AI研究平台

<br />DeepMind是一家位于英国伦敦的人工智能公司，成立于2010年，2014年被谷歌收购。作为全球领先的AI研究机构，DeepMind致力于开发通用人工智能（AGI），其研究成果在游戏、医疗、科学等多个领域产生了深远影响。DeepMind的使命是“解决智能问题”，通过将神经科学与机器学习相结合，推动AI技术的边界。<br /><br /><br />DeepMind最著名的成就是Alp
智谱AI官网

智谱AI官网

<br />智谱AI（北京智谱华章科技有限公司）是一家专注于人工智能大模型研发与应用的科技公司，成立于2019年，由清华大学计算机系知识工程实验室技术成果转化而来。公司以“让机器像人一样思考”为愿景，致力于打造安全、可控、可解释的通用人工智能系统。智谱AI在自然语言处理、知识图谱、多模态理解等领域拥有深厚积累，其核心产品GLM系列大模型已广泛应用于政务、金融、医疗、教育等多个行业。<br /><b
Midjourney

Midjourney

<br />Midjourney是一款基于人工智能的图像生成工具，由独立研究实验室Midjourney, Inc.开发。用户只需输入文字描述，即可生成高质量、富有创意的图片。自2022年公开测试以来，它迅速成为AI绘画领域的标杆产品，广泛应用于艺术创作、设计、广告和娱乐等行业。<br /><br /><br />Midjourney的核心功能是文本到图像生成，支持多种风格和参数调节。用户可以通过D
量子位AI网站分析

量子位AI网站分析

<br />量子位（QbitAI）是一家专注于人工智能领域的前沿科技媒体，成立于2017年，总部位于北京。网站以报道AI行业动态、技术突破、产业应用和创业公司为核心，内容涵盖机器学习、深度学习、自然语言处理、计算机视觉、AI芯片、自动驾驶等多个细分领域。量子位通过图文、视频、线下活动等形式，向技术从业者、投资者和科技爱好者传递高质量的AI资讯与深度分析。<br /><br /><br />量子位的
DeepMind官网

DeepMind官网

<br />DeepMind是谷歌母公司Alphabet旗下的人工智能研究实验室，成立于2010年，总部位于伦敦。该网站是DeepMind的官方门户，集中展示了其在AI领域的前沿研究成果、技术博客、学术论文以及研究人员团队。作为全球顶尖的AI研究机构之一，DeepMind致力于“解决智能问题”，并推动AI技术在社会各领域的应用。<br /><br /><br />DeepMind最广为人知的成就是
豆包AI官方网站

豆包AI官方网站

<br />豆包AI是字节跳动公司推出的一款人工智能助手，基于先进的大语言模型技术，为用户提供智能问答、文本创作、代码辅助、情感陪伴等多种服务。自发布以来，豆包AI凭借其自然流畅的交互体验和强大的理解能力，迅速成为国内最受欢迎的AI应用之一。用户可以通过网页端或移动端随时随地使用豆包，满足工作、学习和生活中的多样化需求。<br /><br /><br />豆包AI的核心功能主要包括智能对话、内容创
Toolify AI工具导航网站

Toolify AI工具导航网站

<br />Toolify AI是一个专注于人工智能工具聚合与推荐的导航网站，目前收录了全球超过5000款AI应用，涵盖文本生成、图像处理、视频创作、音频编辑、代码辅助、数据分析等多个领域。无论是普通用户还是专业开发者，都能在这里快速找到适合自己的AI工具。平台每天更新最新上线的AI产品，并基于用户真实反馈进行排序和分类，帮助用户节省大量搜索和筛选的时间。<br /><br /><br />Too
ChatGPT官网介绍

ChatGPT官网介绍

<br />ChatGPT是OpenAI开发的人工智能聊天机器人平台，于2022年11月30日首次发布。作为目前全球用户量最大的AI对话产品，ChatGPT基于GPT系列大语言模型，支持自然语言问答、文本生成、代码编写、翻译、摘要、创意写作等多样化任务。其官方网站不仅提供免费的Web端服务，还集成了付费订阅、API访问、插件生态和联网搜索功能，成为个人用户与企业用户接触前沿AI能力的重要入口。<b

Copyright © 2016 ~ 2024 大屏时代 (www.dapingtime.com) 联系QQ：88251776苏ICP备2020058979号-3 大屏头条