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：

二是并发能力：

三是网络抗抖：

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。