Speech-to-Text 怎么选？把录音变成可用文字的四步流程

转写准确率 95%，为什么你还得重听一遍

因为转写工具只是个开端，真正的痛点是：

• 三个人同时说话，文字分不清谁说的
• 专业术语全被听成谐音
• 内容按时间流水排列，找结论要翻半小时

把准确率从 95% 提到 98% 的收益，远小于把”一段流水文字”变成”带责任人的决策清单”。所以真正该优化的是前后两端。

第一步：音频预处理，三分钟能提 10 个点

大多数转写效果差，源头在音频。开工前做三件事：

• 降采样为 16kHz 单声道，多数模型就训练在这个规格，采样率不对会引入额外误差
• 响度归一化（目标约 -16 LUFS），避免远近麦克风造成的音量跳变
• 切掉长静音，但保留 300ms 缓冲，防止吃掉字头

用 ffmpeg 一行命令就能做完：

ffmpeg -i in.m4a -ac 1 -ar 16000 -af "loudnorm=I=-16" out.wav

如果录音是线上会议，优先拿每路单独的音频轨而非混音文件，说话人分离的难度会直接降一个量级。

第二步：选引擎，按场景分而非按榜单分

• 强合规、要私有化：本地部署的开源模型，配合自己的术语表，成本可控且数据不出内网
• 中文短句、多人会议：国内厂商的实时转写普遍对口语和方言更友好
• 长音频、多语种、要时间戳：开源 Whisper 系路线，支持词级时间戳，便于后续对齐剪辑 不建议一上来就选”全能型”服务。先拿你自己最长、最烂的一段录音去测，比任何评测都准。

第三步：说话人分离 + 术语热词

说话人分离（diarization）建议直接问引擎是否原生输出 speaker 标签。若需后处理，用声纹聚类并强制指定人数——让它自己猜，准确率会崩。

术语最容易被跳过，收益却最高。把领域专有名词整理成热词表（几十个就够）喂给引擎，或在转写后做定向替换规则：

常见错转	正确词
服导 / 符导	辅导
拉取请求 / 普尔	Pull Request
沙盒 / 沙箱环境	sandbox

积累两三周错例，就能覆盖大部分问题。

第四步：结构化，这才是 AI 该干的活

把带说话人标签的全文交给大模型，用明确的输出约束：

以下是会议转写全文。请输出：① 一段不超过 100 字的结论摘要；② 分主题的要点，每点注明发言人与时间戳；③ 待办清单，格式为「负责人 | 事项 | 截止时间」，找不到负责人就写”未指定”。

关键在两个限定词：时间戳与未指定。前者让你一键跳回原音核对，后者防止模型编造责任人。

别踩的坑

• 别让模型”润色”成书面语再存档。原始转写是可追溯的凭证，润色版是解读。
• 别自动把纪要发全员。先让主持人过一遍，错认的责任人会造成真实事故。
• 别长期保存未脱敏的原始音频。涉客户信息时，音频的合规风险高于文字。

小结

转写工具的差别，在预处理和结构化面前会被稀释。把 70% 的精力花在音频质量和输出结构上。