Распознавание речи в прямом эфире работает с задержкой 200 миллисекунд
Новое поколение моделей распознавания речи обрабатывает аудиопоток с задержкой всего 200 миллисекунд между моментом произнесения слова и его появлением в текстовом виде. Это достаточно быстро для использования в прямых эфирах, телетрансляциях и видеоконференциях, где синхронизация с движениями губ и невербальными сигналами имеет значение.
Снижение задержки достигнуто за счёт оптимизации архитектуры нейросети и использования специализированных ускорителей на сервере. Модель обрабатывает звук микро-порциями, выдавая распознанные слова по мере их произнесения, без необходимости буферизации целых предложений.
Практическое применение в трансляциях
Телевещатели уже используют эту технологию для создания синхронных субтитров к прямым трансляциям спортивных событий, новостных передач и концертов. Задержка в 200 миллисекунд незаметна для зрителей и не нарушает синхронизацию.
Система справляется с шумом в фоне, с наложением нескольких голосов и с ускоренной речью в спорте или срочных новостях. Точность распознавания в реальном времени остаётся на уровне 92–95 процентов даже при сложных акустических условиях.
Облачные провайдеры предлагают API для интеграции в собственные трансляционные платформы, что открывает доступ к технологии малым издателям и платформам видеоконтента.