实时转写和离线转写有什么区别？

边说边出字，还是录完再统一转？先说结论：会议纪要、直播字幕这类赶时间的场景用实时转写，录音访谈、课程视频这类求质量的用离线转写。讯飞星火等工具两种模式都有，模式选错，要么等得着急，要么返工到深夜。

先说结论：按延迟要求分

一条判断标准：结果要在说出口之后几秒内可见吗？要，选实时；可以慢慢等，选离线。开会要当场出字幕给听障同事看，实时没得选；凌晨录完的访谈第二天交稿，离线的质量优势就该吃满。

两者底层的识别模型同源，差别主要在工程调度上，所以切换模式的门槛不高，试错成本很低，拿不准就都试一遍。

流式处理的一边听一边出

实时转写是流式处理：音频像水一样持续流入，系统边听边切边猜，说出半句就敢先出字，后面听到新内容再回头修正。这种「先给答案再打补丁」的策略换来的是低延迟，代价是文本抖动——刚出的几个字过两秒悄悄变了，屏幕上文字翻来覆去地改。

为了压延迟，模型必须做得小而快，单次计算的资源预算卡得很紧，等于牺牲一部分精度换速度。

抖动的观感因场景而异。字幕投在会议室大屏上，文字反复改动会分散注意力；语音输入法里，用户自己盯着候选词，抖动反而不碍事。同样是实时模式，展示给别人看和留给自己用，对抖动的容忍度完全不同，选型时别一刀切。

整段处理的精度优势

离线转写拿到的是完整音频，可以反复通听：先全局理解讲的是什么话题，再回头细化每个词，专有名词、口音、交叉对话都能照顾得更周到。没有时间压力，模型可以放开手脚，用更大的计算量换准确率。

可带走的判断：同一段录音，离线转写的字错率普遍低于实时模式，差距在噪音大、术语多的素材上尤其明显。

离线模式还擅长做全局优化：通读全文后再统一说话人标签、修正常见的同音字误判、按语义合并断句。这些事实时模式做不了，它看不到未来，没法回头全局统筹。长素材整理时，这份全局视野就是质量的来源。

各自适合的场景清单

实时模式的主场：会议同步字幕、直播配字、采访边录边看、语音输入。离线模式的主场：播客与课程成稿、影视字幕、批量录音整理、需要二次精校的长内容。两者还能接力：会议先用实时出底稿，会后拿录音跑一遍离线精校，效率和准确两头都占。整理会议材料时，通义千问可以接着把转写稿浓缩成纪要，这条流水线很常用。相关阅读：语音识别和语音合成差在哪讲听与说的分工；声音克隆和音色转换有什么区别讲声音的两种改造路；从录音到形象，还有数字人的录制路线和生成路线差在哪的路线之分。

成本结构也不一样：实时模式按通话时长持续占用计算资源，离线模式按素材总量一次计价。高频短会话选实时合算，大批长录音走离线更省，账要按自己的用量形状算。

实时与离线对照表

• 赶时间出字：实时，接受轻微抖动。
• 求准确成稿：离线，精度优先。
• 两头都要：实时打底，离线精校。

末句：先看等不等得起，模式自然浮出来。

关于实时转写的三个常问问题

• 实时模式能中途切换成离线吗？：能，多数产品把实时会话存成录音，事后可直接送离线精校。
• 为什么实时转写有时整句消失又重来？：模型推翻了先前的猜测重新解码，属于流式机制的正常行为，最终以修正后的为准。
• 离线转写一小时录音要等多久？：通常几分钟到十几分钟量级，取决于服务和排队情况，以产品页说明为准。