游戏|《英雄联盟》S11直播延迟30秒这次网友反应有点不太一样( 二 )_《英雄联盟》S11直播延迟30秒

从技术本身来看，实时字幕用的是语音识别，具体分为人工识别和自动语音识别（ASR）两种。
此前，由于ASR准确率上不去（尤其是中文识别），人工识别又需要好几分钟延迟，大型比赛直播中采用实时AI字幕的不多。
这些年AI技术上来了，视频中应用自动语音识别ASR制作字幕的也多了起来，具体又分为流式ASR和非流式ASR 。
非流式，指整段输入语音、再输出文字的结果；流式，指像“流水线一样”实时输出转文字结果。

文章图片

目前的流式ASR可以做到速度极快（毫秒级，肉眼看起来是实时）的输出，经过训练也能达到不错的准确率；但与此同时，它也还有不少优化空间。
对于不同直播来说，选择语音识别方法时，主要会从准确率和识别速度进行考量，像新闻直播更重视准确率，娱乐赛事直播更侧重识别速度。

文章图片

BUT，对于无障碍来说，赛事直播还会出现新的挑战：
由于听障人士无法快速建立视听之间的联系，错字词需要更多反应时间，字幕的准确性要更高；此外，转录的字句需要有一定视觉流畅性；最后，赛事直播的延迟也不能太高。
一方面，受限于语音的停顿、音频切分的长度，流式ASR目前能做到低延迟和基本的准确率，但往往视觉阅读的流畅性会有所降低，“每个字都会，停顿后就看不懂了”：

文章图片

每个字都会，就是看不懂
另一方面，流式ASR模型需要满足一定长度的音频输入，才会处理并输出文字，非常依赖语速和说话流畅度的稳定。
例如，主持人通常在电竞团战或是进球前夕等情况下，语速变得非常快（例如华少最快能达到18秒215字），或是因为思考出现频繁断句，就会严重影响流式ASR技术的“发挥” 。
在这种情况下，流式ASR语音识别的结果如不经过处理、直接输出的话，就会出现字幕空白、频繁停顿，或是大段爆发输出的情况。
为了让字幕流更加稳定（能输出整段整句）、准确率也更高，B站在采用讯飞听见技术进行流式ASR识别（毫秒级延迟）时，选择将无障碍直播间整体进行适当延迟，来确保阅读流畅性，主要做了这些操作：
其一，B站专门梳理了英雄联盟赛事相关的500+专有词汇，包括战队、选手、赛区、游戏英雄名称、比赛术语、解说相关术语、S赛名句等等，将这些词汇接入到讯飞听见服务器中，进行转译结果优化处理；