Glossário
O ASR streaming (também chamado de ASR online) processa o áudio à medida que chega, emitindo transcrições parciais continuamente em vez de esperar o áudio terminar. É a tecnologia por trás das legendas ao vivo no Zoom, ditado por voz em telefones, assistentes de voz e legendagem de eventos ao vivo. Desafios arquitetônicos diferentes do ASR em lote — e um trade-off diferente entre precisão e latência.
Arquitetura streaming vs em lote
Lote O ASR (o que fazemos) vê todo o áudio de uma vez, pode usar atenção bidirecional e executa busca por feixe com previsão total. Transmissão O ASR vê o áudio em pequenos pedaços (50-200 ms) e deve se comprometer com o texto em ~1 segundo, antes que o resto da frase chegue. Arquiteturas: RNN-Transducer (RNN-T), modelos baseados em CTCtransformers transdutores, transformers de atenção monótona.
Por que o streaming é mais difícil
Dois principais desafios. (1) Compromisso latência-precisão: pedaços mais curtos = menor latência, mas menos contexto = menor precisão. Ajustar isso é uma decisão de UX. (2) Instabilidade em resultados parciais: "I scream" pode aparecer e depois ser corrigido para "ice cream" 200 ms depois. A interface do usuário/UX precisa lidar com a reescrita de forma elegante — tipicamente italicizando ou desativando o texto instável até que seja confirmado.
Quando usar streaming
Legendas ao vivo (Zoom, Google Meet, Teams), assistentes de voz (Siri, Alexa, Google Assistant), legendagem ao vivo de transmissão (esportes, notícias), software de ditado, ferramentas de acessibilidade (legendas em tempo real para surdos e pessoas com dificuldade de audição em salas de aula). Qualquer lugar onde o usuário queira resultados durante o discurso, em vez de depois. Atualmente, não oferecemos streaming — nosso foco é a transcrição em lote pós-gravação, onde a precisão é mais importante que a latência.
Na prática
Quando você participa de uma chamada do Zoom com legendas ao vivo ativadas, o Zoom executa um sistema de ASR streaming no áudio de cada falante. As palavras aparecem com atraso de ~1-2 segundos, às vezes piscam enquanto o modelo corrige palpites anteriores e não incluem rótulos de falante porque a diarização é difícil em tempo real. Após a reunião, reprocesse a gravação em modo de lote (fazendo upload do .m4a para o Transcript.you) para obter uma transcrição mais precisa com rótulos de falante.
Termos relacionados
Leitura adicional
Transcrever uma reunião gravada
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que ASR de streaming significa na transcrição?
Reconhecimento de fala que emite resultados parciais à medida que o áudio chega, em vez de esperar a gravação ser concluída. Necessário para legendas ao vivo e IA conversacional.
Por que ASR de streaming importa ao escolher um fluxo de trabalho de transcrição?
ASR de streaming afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar ASR de streaming no Transcript.you?
Use o fluxo de trabalho relacionado em /zoom-to-text quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.