本次查询：实时语音
中文解释：实时语音
常见场景：在线会议 / 游戏对讲 / 智能语音助手 / 实时字幕 / 电话客服
一句话解释
实时语音是指从说话人开口到对方（或系统）听到/理解回复的端到端延迟在人类可接受的实时范围（通常150-400ms）内的语音通信或交互技术，强调低延迟、连续性和双向同步。
为什么会被关注
随着远程办公、在线教育、游戏组队等场景普及，用户对语音交互的实时性要求越来越高。任何超过0.5秒的延迟都会破坏对话节奏，造成体验割裂。同时，AI语音助手、实时翻译等功能也依赖低延迟的语音流处理，因此实时语音成为衡量产品质量的关键指标。
核心逻辑
实时语音系统通常包含采集（麦克风）、降噪、编解码、网络传输（如WebRTC的UDP协议）、抖动缓冲、播放等环节。为降低延迟，数据以帧为单位（通常20-60ms）连续处理，而非等整句话结束。AI场景下还需将音频流实时分段送入识别/合成引擎，做到边说边出结果。
常见场景
视频会议（腾讯会议、Zoom）中多方实时通话；游戏内置语音（如《王者荣耀》组队开黑）；智能音箱（小爱同学、天猫精灵）的免提对话；直播连麦（抖音、B站主播与观众互动）；手机实时字幕（iOS 16+的语音转文字辅助功能）；国际会议实时翻译耳机等。
容易混淆的点
实时语音 ≠ 离线语音：离线语音（如语音输入法的听写）可接受较高延迟，无需网络或可异步处理；实时语音必须秒级响应。另外，实时语音转文字（Streaming ASR）与实时语音合成（TTS）是方向相反的过程，但常被统称为“实时语音技术”，实际系统架构差异很大。