直播实时字幕核心要求"低延迟、高并发、零卡顿"。技术方案分三层：底层用WebSocket实现音频流持续推送，延迟控制在200ms以内；中层采用流式ASR引擎边收边转，而非传统"先录后转"；上层叠加智能断句和标点模型，确保字幕阅读体验流畅。

选型紧盯四个指标。一是延迟：头部方案如阿里云实时转写端到端延迟800ms，腾讯云1.2秒，火山引擎最快仅500ms。二是并发能力：万人直播间需支持至少50路音轨同时处理，阿里云和腾讯云均可胜任，小厂产品超过10路即卡顿。三是网络抗抖：直播网络波动大，需选支持自适应码率的方案，火山引擎在弱网环境下仍保持92%准确率，优于竞品的78%。四是定制化：带货直播需识别"上链接""秒杀价"等电商黑话，教育直播需区分师生角色，通用工具往往力不从心。

落地建议：日活万人以下选火山引擎，性价比最高；企业级直播选阿里云定制方案；个人主播用OBS插件+讯飞听见轻量版即可，成本几乎为零。