流式语音识别（Streaming ASR）指音频还在源源不断输入时，模型就开始解码并持续输出文字，而不是等整段录音结束再一次性转写。它优先保证的是"快点出字、出了还能改"，而非一步到位的最高准确率。
像同传，不像会议纪要
离线转写（offline ASR）像整理会议纪要：整段听完再通读一遍，可以回看全局、合并口误、调整语序，自然更准。流式识别像同声传译：说到哪译到哪，后面的内容帮不上前面的忙，只能靠已听到的部分往下猜。
具体做法是把音频切成几十毫秒一级的小块（chunk）逐块送入。编码时模型必须"只看过去"，通常用因果掩码（causal mask）挡住未来，或只开一个很小的前瞻窗口（lookahead）。历史状态会被缓存（cache），每来一块增量更新，避免重复计算。RNN-T 这类逐帧输出的结构天然适合流式；基于注意力（attention）的编码器—解码器则要靠分块加前瞻来近似实现。界面上的字分两档：临时结果（partial）会随新音频被改写，确认结果（confirmed）基本不再变；中间靠端点检测（VAD，voice activity detection）判断一句话何时结束。
和离线识别的真实差别
| 对比项 | 流式 ASR | 离线 ASR |
|---|---|---|
| 输入方式 | 边收边算，按块推进 | 收完再算，看整段 |
| 可用上下文 | 过去 + 少量前瞻 | 双向编码，全句可见 |
| 能否整句重打分 | 基本不能 | 可以，还能融合语言模型 |
| 首字延迟 | 低，常在几百毫秒量级 | 高，要等整段结束 |
| 准确率 | 同规模下通常略低 | 通常更高 |
| 典型场景 | 实时字幕、语音助手、语音输入 | 录音转写、会议纪要 |
差距的根源是"看不到未来"。一句话的结尾常反过来影响开头怎么读，离线模型能双向编码并整句重打分；流式只能靠有限前瞻和缓存硬扛，同规模下通常先输一点准确率。流式也不是零延迟：块大切得慢，块小上下文又不够，需要权衡。
对普通人和从业者意味着什么
对普通人，这决定了语音输入法是"说完才出字"还是"边说边出字"、会议字幕是否实时滚动。实时字幕偶尔跳字、改字，是临时结果被后续上下文修正的正常现象。要存档时，"流式出草稿 + 结束后离线精修"是常见折中。
对从业者，流式与离线不是优劣之分，而是两种约束下的路线选择。评估要同时看首字延迟和词错率（WER，word error rate）：只看准确率会忽略体验，只看延迟会低估质量代价。批量转写没有实时需求，就不必为流式增加架构复杂度。各家具体实现与指标口径以官方页面为准。