会议转写总出错？把准确率从 80% 提到 95% 的实战清单

很多人抱怨”AI 转写不靠谱”，但真正的问题往往不在模型，而在输入质量和后处理流程。同一个 Whisper 级模型，搭配不同的工程做法，准确率能差出十几个百分点。这篇文章讲清楚怎么把会议转写从”勉强能看”做到”直接能用”。

一、先分清三种错误来源

会议转写的错误不是一种，而是三类，治理手段完全不同：

• 声学错误：听错了音，把”部署”写成”步数”。根源是音频质量、口音、语速。
• 语言错误：听对了音但断句、标点、同音词选错。根源是语言模型和后处理。
• 领域错误：专有名词、人名、产品名识别错误。根源是缺少术语表。

先给一段会议录音做人工标注，统计这三类错误各占多少。大部分团队的痛点其实集中在第三类，而这类恰恰最容易解决。

二、音频侧：90% 的准确率丢失在这里

1. 采样率与声道

转写模型通常按 16kHz 单声道训练。如果你喂进去的是 44.1kHz 立体声，系统要先重采样和降混，中间就会丢信息。提前用 ffmpeg 统一成 16kHz 单声道：

ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav

2. 响度归一化

会议室里有人贴麦、有人隔三米，音量差几十 dB。做一次响度归一化（loudnorm）能让弱音段落不被模型”当噪音忽略”。

3. 去混响与降噪要克制

过度降噪会把辅音削平，反而降低识别率。只在有明显空调声、键盘声时轻度处理，别默认全开。

三、说话人分离：别让纪要变成一锅粥

转写准了，但如果分不清谁说的，纪要依然没法用。说话人分离（diarization）要和转写联合优化：

• 先做分离再转写，好过先转写再硬切。
• 远程会议直接从平台拿每条音轨，比从混合音里猜说话人准得多。
• 分离结果要允许人工一键改姓，别指望 100% 自动。

四、用术语表把领域错误打下来

这是投入产出比最高的一招。把公司名、产品名、团队人名、行业黑话整理成一个词表，喂给模型的 prompt 或热词接口：

• 转写前注入热词，模型会优先往这些词上靠。
• 转写后用正则做替换，把稳定错误的写法批量修正。
• 每次人工校对后，把新发现的错误词回填进表，形成飞轮。

一个维护良好的术语表，通常能把人名和专有名词错误减少一半以上。

五、后处理：标点、分段与 LLM 润色

原始转写是一长串没有标点的文字。用 LLM 做后处理能显著提升可读性，但要注意别让它改内容：

1. 只做加标点、分段、修正明显同音错字。
2. prompt 里明确”不得增删信息、不得改写原意”。
3. 保留一份原始转写存档，方便核对。

六、验收指标：别只看 WER

字错率（WER）是常用指标，但它不反映”能不能用”。建议同时看：

• 专有名词准确率：直接影响纪要可用性。
• 说话人归属准确率：影响责任落实。
• 人工修改耗时：最终衡量标准——改 5 分钟和改 30 分钟是两回事。

七、一份速查清单

• 统一 16kHz 单声道再进模型
• 轻度响度归一化，降噪按需开启
• 说话人分离优先用分轨音频
• 维护术语表并持续回填
• LLM 后处理只加标点不改内容
• 保留原始转写，用”人工修改耗时”验收

会议转写没有”一键完美”，但把上面每一环做到 90 分，整体体验就能从”鸡肋”变成”离不开”。真正的准确率，藏在流程里，而不是模型参数里。