音频开发 / 系统课时
合并局部结果避免文本抖动
合并局部结果避免文本抖动
增量识别会不断修正最近几个字词,如果每次都替换整段文本,界面会出现明显跳动。更稳妥的做法是把显示状态拆成最终确认区、稳定区和可变区,只让真正可能变化的尾部更新,同时保留模型纠错能力。
学习目标
- 能区分最终确认区、稳定区和可变区的职责。
- 能用相邻 partial 的最长公共前缀识别暂时稳定的文本。
- 能在 final 到达时正确提交文本并重置局部状态。
三个区域分别解决什么问题
最终确认区保存已经收到 final 的文本,之后不再修改;稳定区来自相邻两次 partial 的共同前缀,说明这部分连续两次都没有变化;可变区则是当前 partial 剩余的尾部,只更新这一小段即可。

稳定区不是业务上的“最终提交”。它只是 UI 层的显示优化:后续 partial 仍可能整体修正,所以真正不可变的边界仍然必须由 final 事件决定。
用公共前缀减少整段重绘
一个实用策略是比较“上一次 partial”和“本次 partial”的最长公共前缀。公共部分放入稳定区,本次结果剩余部分放入可变区。界面可以给两个区域绑定独立 DOM 节点,从而避免每次替换整段文本。
function longestCommonPrefix(a, b) {
const limit = Math.min(a.length, b.length);
let i = 0;
while (i < limit && a[i] === b[i]) {
i += 1;
}
return a.slice(0, i);
}
let finalText = "";
let previousPartial = "";
let stableText = "";
let volatileText = "";
function render() {
console.log(
`final=[${finalText}] stable=[${stableText}] volatile=[${volatileText}]`
);
}
function applyResult(result) {
if (result.type === "final") {
// final 才是真正确认边界,提交后清空所有局部状态。
finalText += result.text;
previousPartial = "";
stableText = "";
volatileText = "";
render();
return;
}
const common = longestCommonPrefix(previousPartial, result.text);
stableText = common;
volatileText = result.text.slice(common.length);
previousPartial = result.text;
render();
}
[
{ type: "partial", text: "今天北京天" },
{ type: "partial", text: "今天北京天气" },
{ type: "partial", text: "今天北京天气很" },
{ type: "final", text: "今天北京天气很好。" }
].forEach(applyResult);预期输出:
final=[] stable=[] volatile=[今天北京天]
final=[] stable=[今天北京天] volatile=[气]
final=[] stable=[今天北京天气] volatile=[很]
final=[今天北京天气很好。] stable=[] volatile=[]第一次 partial 没有历史值,因此全部属于可变区。第二次开始,共同前缀逐渐扩大,只有尾部继续变化。final 到达后,局部状态全部清空,文本进入最终确认区。
不要把稳定区提前提交
最长公共前缀只能说明“最近两次没变”,不能证明模型以后不会修正。比如模型可能连续两次输出“南京市长”,随后在更多上下文到达后改成“南京市场”。如果把稳定区直接写入 final 区,就会失去修正能力。
如果服务端原生提供稳定性字段、词级置信度或“已稳定 token 数”,应优先使用服务端语义,而不是自己猜测公共前缀。客户端算法更适合作为通用降抖方案。
还要防止哪些抖动
文本抖动不只来自内容修改,也可能来自乱序消息。若协议包含 segmentId 和 sequence,每个片段应只接受更大的序号;旧 partial 到达时直接丢弃。这样可以避免网络重排导致界面从新文本退回旧文本。
渲染层也应避免每次重建整个富文本树。最终确认区、稳定区和可变区分别更新,可以把高频刷新限制在最小范围。对于长时间会话,final 文本还可以按句段存储,避免一个超长字符串被反复复制。
当最终区只由 final 推进、稳定区只负责显示稳定性、可变区保留模型修正空间时,识别准确率和界面观感就不再互相冲突:模型可以继续改,用户看到的却只是在尾部平滑变化。