这两年会议直播不加实时字幕，甲方都不好意思对外发了。尤其学术会、发布会，字幕既是无障碍刚需，也是短视频二次传播的基础。但真上手做，你会发现难点根本不是"能不能出字"，而是"出的字对不对"。
通用ASR（自动语音识别）的准确率现在确实高，日常对话能到九成以上。可一到专业会议就露怯：医学会的"房间隔缺损"、金融圈的"久期"、半导体的"光刻胶"，通用模型经常给你写成谐音词，观众一看字幕就出戏。我们踩过一次真翻车：一场医疗论坛，ASR把"介入"识别成"介入"（同音没事），却把"支架"写成"纸架"，弹幕当场有人开玩笑，主办方脸都绿了。从那以后，我们的解法分两层：第一层是热词库，开播前把嘉宾PPT、议程、行业术语表喂进去，让识别引擎优先匹配这些词，准确率能明显抬一截；第二层是人工兜底，导播台旁边坐一个速记，专门盯字幕，发现错词立刻改。
光有热词还不够，因为现场常有即兴发挥。所以我们一般把实时字幕设成"机器先出、人工秒改"的模式，延迟控制在两三秒内，观众体感不到。回放再跑一遍精校，把现场的口误、重复、口头禅清掉，做成干净字幕版，方便学员回看和点播。
多语种同传是另一回事。一场有外宾的会议，要的是"识别—翻译—渲染"三段并行：语音先被识别成原文，原文进翻译引擎出目标语言，再送渲染层叠到画面上。这里最怕串行——任一段慢了，字幕就滞后半句。我们会把识别和翻译拆成两条独立流水线，翻译用低延迟模型，宁可偶尔少翻一句，也不让整条字幕卡死。中译英一般能压在四秒左右出字，再快就容易丢语义。
还有个小但重要的点：字幕样式。很多团队直接套默认白字黑边，结果放到手机小屏上糊成一片。我们按平台分两套：大屏用细描边，手机用粗描边加半透明底，字号跟着画面分辨率走，保证最后一排观众和地铁上刷手机的人都能看清。字幕也是内容的一部分，别让它拖了直播的后腿。
顺带说个容易被忽视的复用：字幕文本本身就是资产。精校后的逐字稿可以转成图文速记发公众号，关键词还能喂回搜索引擎做长尾收录。一场会议的直播结束，字幕还在持续给官网带流量。所以别把字幕当一次性消耗，导出来、存好、二次分发，性价比很高。
一句话总结：实时字幕不是接个API就完事，热词库、人工校对、多语种流水线、样式适配，少了哪块都出洋相。本文由摄行科技活动影像团队整理。
