要点速览
- 语音识别处理的是"声音到文字"，不涉及翻译和语义理解
- 普通话识别效果最好，带口音或方言会明显下降
- 背景噪声是影响识别质量的首要因素
- 机器识别负责出初稿，人工校对负责定稿
支持的音频格式与转写参数
| 项目 | 说明 |
|---|---|
| 支持格式 | MP3、WAV、M4A、OGG |
| 单文件上限 | 25MB |
| 参考耗时 | 约 30 秒 |
| 常见来源 | 手机录音、录音笔、微信语音导出、播客 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| FLAC 文件 | 上传框可选，建议另存为 MP3 或 M4A 后再传 |
| 需先转换 | AMR、SILK、WMA、AAC 需先转 MP3 或 M4A |
语音识别在做什么
语音识别做的事情，是把一段声音信号映射成对应的文字序列。整个过程大致分为三步：先把声音切成很短的时间片段并提取声学特征，再根据这些特征判断可能的音节和词，最后结合语言模型挑出最通顺的一种组合输出。
这个流程决定了它的一些天然特性。语音识别只负责"听写"，不负责理解。它能准确输出"这份合同下周一签"，但不会判断这句话是不是真实安排；它也不会自动纠正说话人口误，说了什么就记什么。
准确率由什么决定
在理想条件下，语音识别对普通话连续语音的准确率可以达到 90% 以上。但"理想条件"在现实中并不常见，所以拿到识别结果后的校对环节不能省。
| 因素 | 影响程度 | 说明 |
|---|---|---|
| 录音环境 | 高 | 安静室内最好，持续噪声会显著拉低准确率 |
| 说话方式 | 高 | 语速平稳、吐字清楚最有利 |
| 口音与方言 | 中高 | 标准普通话最好，方言识别不稳定 |
| 专业术语密度 | 中 | 生僻词容易识别成近音词 |
| 音频编码质量 | 中 | 低码率或多次转码会损失细节 |
语音识别的能力边界
- 不能区分说话人：多人对话会输出成一段连续文字，需要人工分段标注
- 不能处理听不清的内容：原始录音含糊的部分，识别结果同样含糊
- 不能理解语境：同音词的选择依赖上下文，缺乏语境时容易选错
- 不做标点和分段优化：输出文本需要人工调整段落结构
哪些内容适合交给语音识别
适合的素材有明显的共性：说话内容为主、环境相对安静、语速正常、术语密度不高。会议记录、课程录音、访谈整理、口述备忘都属于这一类，识别结果作为初稿足够可用。
不适合指望机器一次到位的场合也很明确：需要逐字准确的合同、法律文书、公开发布的正式稿件，以及录音质量差到听不清内容的素材。前者需要人工定稿，后者需要换素材。
把语音识别用顺手的关键
把语音识别当作"省掉 80% 打字工作"的工具，而不是替代人工的方案，心态会顺很多。拿到文字稿后，先通读一遍了解大意，再针对专有名词、数字、人名做重点校对，最后调整分段。
如果你的素材里图片和音频混在一起，可以在拾文雀的工作台里分别处理：图片转文字负责截图和照片，视频转文字负责影音文件，两者输出的都是可直接编辑的文本。
评价识别效果时该看什么
很多人用"错字多不多"来判断识别效果，这个标准不够准。更实际的做法是看"改动成本"：通读一遍稿子，统计需要动手修改的地方有几处。一百个字里改三个字，和一千个字里改三个字，体感完全不同。
另一个指标是错误类型。错的如果是"的、了、在"这类虚词，不影响理解，顺手改掉即可；错的如果是人名、数字、专业术语，每一处都得回听确认，成本高得多。同样数量的错字，类型不同，工作量可能差三倍。
批量处理同类素材时，可以先拿一段试跑，估算改动成本，再决定是全部交给机器还是换更可靠的录音方式。
常见问题
语音识别和语音转文字是一回事吗？
本质上是同一件事的不同说法。语音识别是技术名称，语音转文字更强调输出结果。日常使用中两者可以互换。
识别准确率 90% 是什么概念？
意味着 100 个字里大约有 10 个字需要修改。实际体感取决于错在哪里，如果错在无关紧要的虚词上，校对很快；如果错在人名和数字上，就要逐处核对。
为什么我的录音识别出来错得很多？
优先检查三件事：录音环境是否有持续噪声、说话人是否有较重口音、音频是否经过低码率压缩。这三项是最常见的原因。
语音识别能自动加标点吗？
识别结果会带上基本的标点，但断句位置不一定符合阅读习惯。正式使用前建议按语义重新分段和调整标点。