Discussion around syncing real-time AI-generated transcript deltas with WebRTC audio playback to ensure speech and on-screen text appear in natural alignment.

Привіт усім,
Я використовую реальний час API OpenAI через WebRTC та слухаю події на кшталт response.audio_transcript.delta, щоб стрімити живі транскрипції під час програвання аудіо. Я реалізував оновлення транскрипції по слову, але стикаюся з проблемою:

Дельти надходять набагато швидше за відтворення аудіо, тому повний текст з’являється на екрані задовго до того, як його вимовлять. Це створює відчуття переривання — навіть якщо зупинити аудіо раніше, текст на екрані вже розкрив більшість повідомлення.

Чи існує спосіб більш точно синхронізувати дельти транскрипту з відтворенням аудіо через WebRTC? Чи містять ці дельти часові мітки або ідентифікатори, які я міг би використати, щоб обмежувати інтерфейс користувача так, щоб він відповідав темпу мовлення? Або чи є якісь розумні стратегії, які люди використовують для вирішення цього?

Буду вдячний за будь-яку допомогу чи напрямок!