游戏|《英雄联盟》S11直播延迟30秒！这次网友反应有点不太一样英雄联盟|《英雄联盟》S11直播

直播延迟几十秒，网友竟然还说“真香”？！！
你没听错，这发生在英雄联盟S11这种全球赛事上，而且，延迟高达30秒。

文章图片

要知道S11观众量可是千万级别，去年决赛最高同时观看人数就多达4595万人；
像这种顶尖赛事，保证音、画质的低延迟本就应该是各大平台的“基本操作”，哪怕一点额外的延迟都是绝对不能忍的。
拿前几天Dota2直播举例，延迟15分钟，网友们那可是群情激愤……

文章图片

而这回，S11直播，一个官方频道延迟高达几十秒——
这似乎是大型直播事故了吧？
但万万没想到的是，弹幕画风竟然一片“舒适”、“真香” 。

文章图片

怎摸回事？
我们顺藤摸瓜来到了这个频道，发现这是B站专门为听障人士推出的无障碍直播间：

文章图片

跟常规直播间不同的是，这个直播间是有AI实时字幕的，解说提到的队名“T1”、“poke”等黑话基本都能正确显示。
赛后采访还有手语解说，整体会比常规直播间延迟几十秒。

文章图片

已经有听障人士用上了
其实，像这种直播字幕背后的AI实时语音识别技术，已经有不少应用了。包括油管的直播字幕、谷歌移动设备的视频字幕和微软PPT演讲字幕等，都属于这类技术。
不过，像这样专门为直播留出一个无障碍直播间的平台，目前还不多。
要真正做好一个无障碍直播间，技术上究竟比普通实时字幕特殊在哪里？
我们深入了解了一下，发现它比想象中更“难” 。
无障碍语音识别，特殊在哪里？
在理解无障碍的特殊性之前，需要先知道直播中的实时字幕是怎么来的。
从流程上来看，实时字幕处在直播视频编码和解码中间的位置。
实时字幕是在视频编解码过程中，对音频进行快速语音识别，再与视频一起输出的效果，整体大概是这么一个过程：

文章图片

简略版流程
可以看到，视频本身还需要经过编解码等传输流程，实时字幕制作则处在编码和解码中间的位置。
从技术本身来看，实时字幕用的是语音识别，具体分为人工识别和自动语音识别（ASR）两种。
此前，由于ASR准确率上不去（尤其是中文识别），人工识别又需要好几分钟延迟，大型比赛直播中采用实时AI字幕的不多。
这些年AI技术上来了，视频中应用自动语音识别ASR制作字幕的也多了起来，具体又分为流式ASR和非流式ASR 。
非流式，指整段输入语音、再输出文字的结果；流式，指像“流水线一样”实时输出转文字结果。

文章图片

目前的流式ASR可以做到速度极快（毫秒级，肉眼看起来是实时）的输出，经过训练也能达到不错的准确率；但与此同时，它也还有不少优化空间。