语音识别（ASR）
别称：ASR · 自动语音识别 · 语音转文字
语音识别（Automatic Speech Recognition，ASR）是把语音信号转换成文本的技术。在直播实时翻译里，它是链路的第一环，输出的文本直接决定后续翻译的上限。
流式识别与非流式识别
非流式（批量）识别接收一段完整音频后返回结果，准确率通常更高，但必须等说完才开始处理，不适合直播。
流式识别边接收边输出，可以在主播说话的同时给出临时结果，并在后续不断修正。直播翻译必须用流式识别。
流式识别有两类输出：
- 临时结果（partial）：随时可能被推翻，适合驱动实时字幕的滚动显示；
- 最终结果（final）：系统认为这一句已经稳定，可以送去翻译。
理解这个区别很重要：翻译只能基于最终结果，而等待最终结果本身就是延迟的一部分。
衡量指标
中文一般用字错率（CER），英文用词错率（WER），都是「错误的字/词数 ÷ 总字/词数」。
需要注意的是，厂商公布的准确率几乎都是在干净音频、标准发音条件下测出来的。直播间的实测值通常比标称值差一大截。唯一有意义的数字，是你用自己的直播音频测出来的那个。
直播场景的特殊难点
背景音乐、快语速带来的连读、品牌名和型号这类未登录词、以及主播的口头自我纠正。这四项在会议场景下都不突出，在直播里全部集中出现。