Glossaire
L'ASR en streaming (également appelé ASR en ligne) traite l'audio à mesure qu'il arrive, émettant des transcriptions partielles en continu au lieu d'attendre que l'audio se termine. C'est la technologie derrière les sous-titres en direct sur Zoom, la saisie vocale sur les téléphones, les assistants vocaux et la sous-titrage d'événements en direct. Différents défis architecturaux que l'ASR par lots — et un compromis différent entre précision et latence.
Architecture en streaming vs par lots
Lot L'ASR (ce que nous faisons) voit l'audio complet en une fois, peut utiliser l'attention bidirectionnelle, et s'exécute recherche de faisceau avec un regard complet. Streaming L'ASR voit l'audio en petits morceaux (50-200 ms) et doit s'engager sur le texte dans ~1 seconde, avant le reste de la phrase arrive. Architectures : RNN-Transducer (RNN-T), CTCmodèles basés, transducteurs transformateurs, transformateurs à attention monotone.
Pourquoi le streaming est plus difficile
Deux défis principaux. (1) Compromis latence-précision: des morceaux plus courts = latence plus faible mais moins de contexte = précision plus faible. L'ajustement de ce paramètre est une décision UX. (2) Instabilité des résultats partiels: "I scream" peut apparaître puis être corrigé en "ice cream" 200 ms plus tard. L'interface utilisateur/UX doit gérer la réécriture avec grâce — typiquement en italique ou en grisant le texte instable jusqu'à ce qu'il soit validé.
Quand vous utiliseriez le streaming
Sous-titres en direct (Zoom, Google Meet, Teams), assistants vocaux (Siri, Alexa, Google Assistant), sous-titrage de diffusion en direct (sports, actualités), logiciels de dictée, outils d'accessibilité (sous-titres en temps réel pour les sourds et malentendants dans les salles de classe). Partout où l'utilisateur veut des résultats pendant le discours plutôt qu'après. Nous n'offrons pas actuellement de streaming — notre focus est la transcription par lots post-enregistrement, où la précision compte plus que la latence.
En pratique
Lorsque vous rejoignez un appel Zoom avec des sous-titres en direct activés, Zoom exécute un système ASR en streaming sur l'audio de chaque intervenant. Les mots apparaissent avec un délai de ~1-2 secondes, parfois clignotent lorsque le modèle corrige les premières suppositions, et n'incluent pas d'étiquettes de locuteur car la diarisation est difficile en temps réel. Après la réunion, retraitez l'enregistrement en mode par lots (en téléchargeant le .m4a sur Transcript.you) pour obtenir une transcription plus précise avec des étiquettes de locuteur.
Termes associés
Lectures complémentaires
Transcrire une réunion enregistrée
Commencez — gratuitementDernière mise à jour : 16 novembre 2026
Questions Fréquemment Posées
Reconnaissance vocale qui émet des résultats partiels à mesure que l'audio arrive, au lieu d'attendre que l'enregistrement soit terminé. Nécessaire pour les sous-titres en direct et l'IA conversationnelle.
ASR en streaming Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.
Utilisez le flux de travail associé à /zoom-to-text lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.
Parcourir le glossaire de transcription ou lisez le guide complet de la transcription IA.