
语音转文字现在很普及,手机、会议软件、在线工具到处都有。可同样的工具,有人转出来基本能直接用,有人转出来全是错字,改起来比自己打字还慢。
差别不在工具,在录音条件和内容类型。同一个模型,在安静的会议室录一段字正腔圆的讲话,准确率能到百分之九十五以上;在嘈杂的餐厅录两个人抢着说话,准确率可能掉到百分之六十。
这篇讲清影响准确率的六个因素,以及怎么把准确率实实在在提上去。不讲模型参数,只讲你能控制的东西。
录音质量是第一位的
这一点被严重低估。绝大多数转写错误,根源不是模型笨,是音频本身就没有那部分信息——说话人离麦克风太远、有回声、音量太小,这些在音频里就是信息缺失,任何模型都补不回来。
具体说三个关键指标。第一是信噪比,也就是人声和背景噪音的强度比。会议室空调的低频嗡嗡声、投影仪的风扇声,这些在录制时听着不明显,但会持续干扰识别。能用指向性麦克风就别用全向的,能把麦克风放近就别放远。
第二是采样率。有些设备为了省空间录成 8kHz,这在人耳听来还算清楚,但对语音识别来说丢失了大量辅音细节。建议至少 16kHz,44.1kHz 更好。这个差别在转写结果上非常明显,尤其是分不清"十四"和"四十"这种。
第三是回声和混响。大房间里说话,声音会在墙上反弹,录进来是"糊"的。这种情况转写经常整句丢失,因为它听到的是叠加多层的声音。加个简单的做法:说话时靠近墙一点,或者在软装多的角落录,硬质大空间尽量避免。
还有一条实操经验:正式场合开双录。手机录一份、会议设备录一份,哪个效果好用哪个。成本几乎为零,但能救回很多重要内容。
口音和方言的现实
普通话标准、语速正常的人,现在的模型基本都能转得不错。但只要带明显口音,准确率就会明显下滑。东北、四川、粤语区的普通话,模型表现会比标准普通话差一截,而且这种差异不是线性的——某些词错得离谱,某些词又完全正确。
方言更麻烦。粤语、闽南语、吴语这些,有些工具号称支持,实际效果取决于训练数据够不够。如果这段录音对方言口音很重,建议先确认工具有没有对应的方言模型,别拿通用模型硬转,出来基本没法用。
有一个实用办法:如果说话人是固定的(比如你的老板、你的客户),可以先用一小段他的录音试几个工具,挑出对他口音最准的那个,以后就固定用。这个前期投入半小时,后面每天都能省时间。
另一个办法是给它上下文。有些工具支持上传术语表或者提供背景说明,你告诉它"这是一场关于混凝土施工的会议",它对相关词汇的识别会明显改善。原理是缩小了搜索范围,减少误判。
专业术语是最大难点
日常对话的词汇量小、组合常见,模型见得多,识别准。但专业领域不一样:法律条文、医学术语、技术名词、人名地名、产品型号,这些词在训练数据里出现频率低,模型容易"听成"发音相近的常用词。
典型例子:"砂浆"可能被转成"沙浆"或"沙将","酚醛"可能变成"分权",型号"X200"可能变成"叉二百"。这类错误最讨厌的地方是——它错得很通顺,你扫一眼不一定发现。
解决思路有三个。第一个是准备术语表,把这一场会议会出现的专有名词提前列出来给工具,很多工具支持自定义词典。第二个是会议结束后拿术语表做一次批量替换,把已知的高频错词一次性换掉。第三个是重要内容二次人工核对,尤其是数字、型号、人名。
还有一个细节:中英混说的时候错误率会飙升。"这个 API 的 latency 有点高",模型可能把 latency 转成"来特恩西"这种音译。如果会议里英文术语多,建议确认工具的中英混合识别能力,或者干脆让说话人放慢一点。
多人对话与背景噪音
单人讲话是转写最理想的情况,多人讨论就难得多。难点不只是"谁在说",还有"什么时候换人"。两个人抢话、插话、同时说话,模型只能转出一团混杂的文字,事后完全分不清哪句是谁的。
如果工具有说话人分离功能(就是把不同人的话标成"说话人一""说话人二"),一定要开。虽然分离准确率也不是百分之百,但比完全没有强太多。开会时定个规矩:不要抢话,一个人说完另一个再说。这条规矩对转写质量的提升,比换任何工具都大。
背景噪音这块,键盘敲击声、翻纸声、杯子碰桌子的声音,这些短促的高频声音容易被误识别成词。图书馆里敲键盘录会议,转写结果里经常莫名多出几个字。能做的是把麦克风放在远离键盘的位置,或者用带降噪的麦克风。
音乐背景是最难处理的。会议室放背景音乐、咖啡厅有 BGM,这些持续性的音频会让模型持续分心,识别质量整体下降。这种情况基本没法靠后期补救,只能换场地。
提升准确率的实操做法
录制阶段:用指向性麦克风,靠近说话人,采样率不低于 16kHz,环境尽量安静。开会前花两分钟测一段,听回放确认清楚再开始,这两分钟能省后面半小时的修改。
转写阶段:选对模型(中文场景用中文优化好的),开说话人分离,上传术语表,明确告诉工具这是什么内容的会议。
整理阶段:先做批量替换(把已知错词一次性改掉),再逐段核对关键信息(数字、名称、结论),最后通读一遍看逻辑是否连贯。转写出来的文字经常语法通顺但意思跑偏,只有通读才能发现。
这三个阶段里,录制阶段的投入回报最高。录音质量差,后面两个阶段怎么努力都是白费。这是很多人绕不过去的死结——总想着靠工具解决,其实问题在源头。
一句实在话
语音转文字现在的水平,日常会议记录够用了,正式文稿还差得远。它能把"听写"这个最枯燥的活干掉,但"整理成能交付的文字"这一步还是人的活。
把它当速记员用,别当编辑用。这个定位清楚了,效率提升会很明显,也不会因为它偶尔转错几个专业词就觉得它没用。
