端到端延迟

两种口径

• 开口到出字幕：主播说出第一个字，到译文字幕出现在画面上。
• 开口到译音播完：主播说出第一个字，到合成语音把这句译文读完。

第二个才是观众真正「听懂」的时刻。运营决策应该用第二个口径。

构成

端到端延迟由五段组成：断句等待、语音识别、机器翻译、语音合成、播放。其中机器翻译通常是最快的一段，断句等待和播放时间是大头。

不包含在内的部分

推流缓冲不算在端到端延迟里。OBS 和直播平台各自都有缓冲，观众看到的画面本身就比主播端晚几秒。但这段延迟对原声和译音是一致的，不影响「译音相对原声晚多少」，只影响绝对时间。

做互动设计（比如回答弹幕）时要把推流缓冲算进去；做音画同步时不用。

怎么测

开本地录制，说一句有明显爆破音的话（「三、二、一」很好用），用音频编辑软件量原声起点到译音终点的间隔。重复十次取中位数，不要取平均——偶发长尾会让平均值失去意义。