实时语音转写的"实时"二字，核心衡量指标就是延迟——从你说完到文字上屏，中间隔了多久。

行业基准线：300毫秒是分水岭。 听脑AI、讯飞听见等头部产品已将端到端延迟压至200～400毫秒，人耳几乎感知不到滞后，跟读体验流畅。免费方案（Whisper在线版、飞书妙记）延迟通常1～3秒，念完一整句文字才蹦出来，体验明显割裂。

延迟由三个环节叠加决定。 第一，音频采集与传输，麦克风到云端约50～100毫秒；第二，模型推理，端到端Transformer架构（Conformer+RNN-T）每帧处理仅10～30毫秒，但Chunk大小是关键杠杆——Chunk越小延迟越低，准确率则会牺牲；第三，网络回传，4G/5G环境额外增加50～150毫秒。

人类感知阈值约200毫秒。 低于此值大脑认为"同步"，超过500毫秒明显感到卡顿。当前最优方案已逼近生理极限，但多人会议、网络波动等复杂场景仍会让延迟飙升至1秒以上。