音视频理解是AI同时处理视频中的视觉与听觉信息，实现场景描述、事件检测、内容检索等任务的技术，是视频AI从“看懂”迈向“听懂”的关键跨越。

流式ASR（流式自动语音识别）是一种能在说话过程中实时将语音转写成文字的技术，与传统的非流式ASR不同，它无需等待用户说完完整句子即可逐步输出结果，广泛应用于实时字幕、语音助手、会议转写等场景。本文将拆解其核心逻辑、关注原因及常见误区。

低延迟TTS通过优化模型架构和推理引擎，将语音合成延迟压缩到毫秒级，实现实时对话式交互，广泛应用于语音助手、实时翻译、游戏配音等场景。

多语种语音是指让计算机系统能够识别、理解并合成多种人类语言口语的技术组合，涵盖语音识别、语音合成与机器翻译。它让跨国沟通、多语言内容创作和本地化服务变得更自然流畅。

关键词唤醒是一种让设备持续监听特定语音信号，并在检测到预设唤醒词后激活交互的技术。它广泛应用于智能音箱、手机助手和车载系统，让用户无需手动操作即可启动AI服务，同时通过低功耗算法平衡实时性与能耗。了解关键词唤醒的原理，能帮您更懂语音交互的“第一道门”。

说话人识别是一种从语音中提取个体声纹特征、确认或辨认说话人身份的生物识别技术。它区别于语音识别（理解内容），核心在于通过发声器官物理结构（声道、鼻腔等）形成的独特声学模式来“认人”。广泛应用于智能音箱声纹锁、银行电话身份核验、安防监控等场景。

说话人分离（Speaker Diarization）是一种音频处理技术，能在多人语音中自动识别“谁在什么时候说话”，常用于会议记录、客服录音分析等场景。

语音转语音（Speech-to-Speech）是一种端到端的AI技术，输入一种语言的语音，直接输出另一种语言的语音，同时保留原说话人的音色、情感和语调。它跳过了传统“语音识别→翻译→语音合成”的中间文本环节，实现更低延迟、更自然的跨语言交流。