为何主流视频会议平台普遍缺失多语言实时字幕功能？

语音转文字技术早就成熟了，连桌面和移动系统都标配；视频会议平台也遍地都是，协议支持得很全；翻译工具不管本地还是云端都能用——可为啥给视频会议加个多语言字幕就这么难？

现在也就少数平台支持实时语音转文字（隐藏字幕），大部分平台都没有这功能，明明这功能好处这么多，就是普及不开。更别说把隐藏字幕翻译成母语了，虽说翻译没法做到完美，但实现个基础功能不该这么费劲吧？实际试了好几家主流平台，发现这问题普遍都没解决好。

背后主要有这么几个核心原因：

• 协议适配成本高：视频会议用的协议五花八门，比如WebRTC、SIP、H.323这些，不同平台的音频流封装、传输方式都不一样，要实时抓取音频做转写，得针对每个协议单独适配，开发和维护成本都不低。
• 实时处理的性能门槛：实时转写加翻译要求低延迟，云端处理得靠稳定高带宽，本地处理又吃设备算力，要兼顾从低配手机到高端桌面的所有用户，优化起来难度极大，稍有不慎就会出现卡顿、字幕滞后的情况。
• 版权与合规限制：很多转写和翻译能力得靠第三方API支持，厂商要付不少授权费；而且有些地区对音频数据出境有严格限制，合规成本高，导致厂商不愿轻易投入。
• 场景适配难度大：会议场景太复杂了，多人同时发言、带口音的语言、专业术语扎堆的行业会议，通用的转写翻译模型根本扛不住，要做精细化优化得攒大量行业语料，投入产出比不高。
• 厂商资源倾斜问题：对多数视频会议厂商来说，音视频稳定性、屏幕共享、协作白板这些才是核心竞争力，字幕属于锦上添花的功能，在资源有限的时候肯定先顾核心需求，不会花太多精力在这上面。

内容的提问来源于stack exchange，提问作者Shane Millsom