AssemblyAI 发布 Universal-Streaming：毫秒级流式转录，重塑语音 Agent 交互体验
语音智能体（Voice Agents）在过去一年中发展迅猛，但在实际落地中仍面临诸多挑战：账户号码听错、尴尬的停顿、以及过早打断用户发言等问题，直接影响了任务完成率与用户体验。为填补这一空白，AssemblyAI 于 2025 年 6 月推出了全新定制的 Universal-Streaming 流式语音识别（Speech-to-Text）模型。
核心突破：不可变流式转录与极致速度
Universal-Streaming 最显著的创新在于其不可变（Immutable）流式转录机制。传统方案通常采用“先输出部分结果，最终再修正”的模式，导致开发者必须在等待最终结果或处理易变的中间数据之间做权衡。
Universal-Streaming 彻底颠覆了这一范式：
- 极速响应：单词发射延迟（Word Emission Latency）低至 ~300ms。相比 Deepgram Nova-3（516ms），其中位延迟降低 41%，P99 延迟更是缩短了近 2 倍（从 1,907ms 降至 1,012ms）。
- 即时可用：从 WebSocket 接收到的每一个字符都是最终结果，永不修改。这意味着语音 Agent 可以在用户尚未说完时，基于已转录的内容进行实时判断（例如区分“嗯”、“啊”等回音与实质性打断）。
- 灵活配置：支持按需切换标点符号和自动大小写功能，以最大化响应速度。
精准识别：攻克关键实体与噪声挑战
在语音交互中，准确识别邮箱地址、验证码、产品 ID 等关键实体至关重要。Universal-Streaming 在保持低延迟的同时，大幅提升了这些领域的准确率：
- 整体识别准确率提升 12%：在嘈杂的真实世界音频环境下，整体词准确率高达 91%。
- 实体识别优化：数字和字母组合（如订单号、ID）的错误率减少 21%，专有名词（人名、品牌名）识别准确率提升 5%。
- 抗噪能力增强：相比 Deepgram Nova-2，因噪声导致的错误输出减少 73%；相比 Nova-3 提升 28%。
此外，该模型有效解决了“自信性误听”问题，即系统看似听懂了实则错误的情况（如将“周二”听成“周四”），从而避免后续流程的连锁错误。
智能断句与透明定价
- 智能断句（Intelligent Endpointing）：结合声学特征与语义分析，比传统仅依赖静音检测（VAD）的方法更精准地判断对话结束，并内置了可靠的降级机制。
- 无限并发与透明计费：采用基于会话时长的定价模式，$0.15/小时。无论并发量是 5 还是 50,000，均无上限、无预留费用，让开发者能按实际使用量灵活扩展。
开发者价值总结
Universal-Streaming 不仅是一个工具，更是构建自然、流畅语音交互的基石。正如 Granola 的软件工程师 Jonathan Kim 所言：
"Universal-Streaming 对于我们的实时笔记功能效果惊人。速度差异立竿见影，用户几乎能即时看到对话转录结果。这种响应感远超我们之前的方案，这正是语音 AI 领域急需的突破。"
通过消除转录延迟与错误，Universal-Streaming 助力开发者实现更自然的人机对话，提升任务完成率，并让用户在复杂环境中也能获得可靠的语音服务。
