直播实时翻译：识别、翻译与合成的完整链路

「直播实时翻译」听起来像一个功能，实际上是四个独立系统串在一起：

麦克风 → [断句/VAD] → [语音识别 ASR] → [机器翻译 MT] → [语音合成 TTS] → 输出

每一段都有自己的延迟和错误率，而且误差会向后传递：识别把「三十九块九」听成「三十九块」，翻译不会帮你纠正，合成会用标准发音把错的数字读出去。

延迟的分布规律

很多人以为延迟主要在翻译。实际测下来，中译英这种常见语言对上，机器翻译通常是四段里最快的一段，真正的大头在两端：

• 断句等待：系统要判断「这句话说完了没有」。等太短会把一句话切碎，等太长就直接增加延迟。这个取舍是产品决策，不是技术极限——Azure 的分段静音超时可调范围是 100 到 5000 毫秒、典型默认 500 毫秒，量级就在这里。
• 语音合成：要生成足够自然的语音，尤其是克隆音色，本身就要时间；而且译文播完才算真正「送达」，长句会显著拉长感知延迟。

所以想降延迟，先看断句策略和合成方式，而不是换翻译引擎。

准确率的分布规律

准确率的瓶颈几乎总在第一段。直播的音频环境对语音识别极不友好：背景音乐、口播语速、方言口音、品牌名和型号混在中文里。识别一旦出错，后面无法挽回。

因此提升翻译质量最有效的手段，往往不是换更强的翻译模型，而是：

• 改善拾音——Google 的语音识别最佳实践把「麦克风尽量靠近说话人」和「关掉降噪与自动增益」并列写在同一份清单里，后半条常被做反；
• 提前把品牌名、型号、行业黑话录进术语表，让识别和翻译都认得；
• 在语速上做一点让步——直播口播的语速普遍快于日常对话，快语速会把几句话连成一个识别结果。

这个主题下会讲什么

我们会分别拆开这四段：每段的常见实现、可测的指标、以及在直播场景下和会议场景下的差异。会议翻译的成熟经验大多不能直接搬到直播上，因为直播是单向、连续、且不能暂停重说的。