语音识别处理速度（二）：实时语音识别

在上一篇文章中，我们介绍了录音文件转写的速度评价指标——实时率（RTF），在录音时长一开始就确定的场景下，可以使用实时率作为语音识别速度的评价指标。

除了录音文件转写，还有一类常见的语音识别场景是实时语音识别，例如实时语音笔记、实时会议字幕等场景。在实时语音识别场景中，语音信号的输入和识别结果的输出都是持续进行的，用户对于这类场景的实时性要求比较高，因此语音识别结果输出的滞后性往往直接影响用户体验。

为此，针对实时语音识别的性能评估，需引入延迟方面的指标，以及为改善用户体验的感知优化。

尾包延迟（Tail Packet Latency）

尾包延迟是衡量从音频输入结束到转写结果输出总耗时的核心指标。在实时语音识别中，客户端流式发送音频数据包，服务端流式返回语音识别结果。尾包延迟的计算方式为：从发送一段音频的最后一个数据包后开始计时，到收到这个数据包对应的语音识别结果停止计时。尾包延迟反映了实时语音识别场景下的用户直观感受延迟。

尾包延迟示意图尾包延迟示意图

在实时交互场景中，尾包延迟需控制在用户可接受范围内，过长的延迟会导致语音与转写内容不同步，破坏交互连贯性。使用DolphinVoice的实时语音识别服务，尾包延迟最低可达150ms以内。

中间结果和最终结果

在DolphinVoice语音识别中，对于流式接口（一句话识别 WebSocket 接口、实时语音识别），识别结果随着语音的输入实时返回。如“今天天气不错”这句话，在识别过程中可能会产生以下识别结果：

金
今天
今天天气
今天天气不错

其中，前三条称为“中间结果”，最后一条称为“最终结果”。通过设置一句话识别或实时语音识别流式接口的 enable_intermediate_result 参数，可以控制是否返回中间结果。如关闭中间结果，将只返回最终结果，从用户角度上将表现为一次性收到一句话的全部识别结果。开启中间结果，有助于降低用户的等待感，提高用户体验。

非流式接口（一句话识别 POST 接口、录音文件转写）没有中间结果，仅有最终结果。

总结

在实时语音识别场景中，处理速度与延迟控制是决定用户体验的核心要素。通过优化尾包延迟，能够显著提升交互的流畅性与同步性。同时，中间结果的实时反馈机制为用户提供了更自然的使用体验，尤其在需要即时响应的应用场景中（如实时会议记录、语音助手等），这种渐进式输出方式能有效降低用户等待感知。DolphinVoice通过流式接口设计，兼顾了实时性与准确性，为开发者和终端用户提供了高效、可靠的语音识别解决方案。

株式会社DolphinAI已通过SOC 2 Type 1认证和ISMS(ISO/IEC 27001)认证，可在安全环境中提供高精度语音识别服务，平均每日实际场景使用约7,000小时。在呼叫中心行业，DolphinVoice的服务已被Cloopen株式会社的SimpleConnect平台正式集成商用；与株式会社三通电信服务（株式会社三通テレコムサービス）合作开发推出AI通话纪要服务。

如需咨询语音识别系统的接入或相关问题，请随时联系我们。