识别质量
改善噪声、口音和专业术语场景的转写效果
先找出错误来源，再逐项测试录音、预处理、模型、分段和修正方法。
所谓“准确率问题”并非只有一个原因。遗漏的词可能被风扇声淹没、被语音活动检测截断、超出模型熟悉范围，也可能在编辑时被错误替换。对所有错误都加强降噪或改用更大的模型，既浪费时间，也可能让部分录音变差。
修改完整工作流前，先建立一个小型评估样本。它应包含轻声语音、嘈杂片段、各种相关口音的说话人、反复出现的专业术语，以及实际会出现的重叠语音。把预期文字放在音频旁作参考，但也要判断关键含义，而非只比较标点。
诊断错误模式
| 错误模式 | 优先检查 | 首次对比 |
|---|---|---|
| 停顿附近的词消失 | 语音活动或片段边界 | 放宽阈值或保留更长上下文 |
| 持续嗡声下错误增多 | 音源噪声和麦克风距离 | 原始与轻度降噪样本 |
| 某位说话人错误更多 | 模型覆盖、音量、距离、重叠 | 用候选模型测试同一人 |
| 姓名在全文中写法不一 | 领域词汇和修正流程 | 术语表加批量检查 |
| 两个声音合成一个句子 | 语音重叠和说话人分离 | 说话人分段并人工收听 |
处理噪声时不要损伤语音
最有效的改善通常发生在录制阶段：让麦克风靠近目标说话人，避开笔记本风扇和桌面振动，减少房间混响，并防止远程音频再次进入开放的麦克风。对于现有文件，先选择最清晰的音轨，再考虑预处理。
- 持续噪声：轻度降噪可能有助于处理风扇或空调声。注意辅音是否变弱，以及是否产生金属感。
- 变化噪声：键盘敲击、音乐、交通声和其他人声很难在不影响语音的情况下去除，仍需人工检查。
- 音量低：提高音量也会放大噪声。避免削波，不要未经比较就盲目标准化。
- 立体声问题：若一个声道含有回声或重复语音，可测试较干净的声道或单声道转换，同时保留原文件。
- 重叠语音：多个声音同时出现时，没有预处理能可靠还原每个词。
每次比较都在同一片段上使用测试模式。当前预处理和分段控件请参阅文件转写文档。
使用代表性语音评估口音
口音不是需要消除的缺陷。识别结果存在差异，是因为模型对语言和语音特征的覆盖不同，同时每位说话人还受到麦克风、房间、语速和词汇的影响。选择模型时应使用说话人的真实音频，而不能用另一个人的标准录音代替。
条件允许时应保留较长的语言上下文。过短片段可能失去用于判断发音的前后词语。不要为了“修正”而改变说话人的原意，也不要抹去其有意使用的表达。必要时，请熟悉该语言变体的人检查姓名和重要陈述。
建立专业术语修正闭环
- 收集预期术语。利用议程、参与者名单、产品目录、缩写和专有名词建立精简词表。
- 记录常见错误形式。首次转写后，记录术语实际被识别成什么，而不是猜测所有可能错误。
- 谨慎进行精确替换。短字符串也可能出现在无关词语中，批量处理前应检查所有匹配项。
- 保存可复用规则。将稳定修正加入自定义词典，同时合理限制项目专用词的使用范围。
- 结合上下文验证。替换后的拼写即使正确，也可能不符合该句含义。
结合测试模型与分段
模型在不同语言、口音、声学环境和术语下可能表现不同。先选择支持口语语言的模型，再在固定评估样本上比较。不要仅根据下载体积推断效果。还应测试片段边界：更多上下文可能有利于识别，而较小片段可能更便于阅读和归属说话人。
会议中，说话人分段有助于整理声音，但不会解决词语识别错误，并且在语音重叠时可靠性会下降。如果参与人数已知，输入人数可为聚类增加约束。应将说话人归属与文字本身分开检查，避免把正确句子分给错误的人。
使用受控的检查清单
- 保留原始音频以及每次比较所用设置。
- 每次只更改一个变量，并使用相同评估片段。
- 对照播放检查姓名、数字、否定词、日期、决定和行动项。
- 应用词典规则后，搜索反复出现的错误形式。
- 对无法听清的部分明确标注，而不要编造词语。
常见问题
降噪一定会改善转写吗？
不一定。降噪可能减弱持续背景声，但过强处理也可能移除语音细节或产生失真。处理完整录音前，应在代表性样本上与原始录音比较。
自定义词典能让识别器理解所有专业术语吗？
不能。词典最可靠的用途是识别后进行一致的修正和替换；它对识别过程的影响取决于产品和模型。对于听不见或被另一声音覆盖的术语，词典也无法还原。
口音本身是录音问题吗？
不是。口音是正常的语言表现形式。模型对某种语言特征的覆盖有限，或口音差异与噪声、距离、语速及上下文不足共同出现时，可能产生错误。应使用实际说话人的录音测试模型，并以尊重的方式校对。
在同一段困难样本上比较设置
选择包含真实说话人、噪声和术语的片段，将每次改动与未处理的原始录音比较。