谈到 AI 转录，大家最先问的往往是：准确率有多高？老实说，答案取决于节目本身。两人对谈、用好麦克风录的安静访谈，和四个人通过视频通话录的圆桌讨论，转录效果差别很大。产品页上的任何一个百分比，都只是别人音频的平均值。
这篇文章要讲两件事：哪些因素会影响准确率，以及如何用 10 分钟的测试，算出你自己那期节目的错误率。
影响准确率的因素
| 因素 | 为什么重要 | 怎么改善 |
|---|---|---|
| 音频质量 | 背景噪音、回声和压缩会盖住模型需要的声音信息 | 安静的房间、近距离麦克风、每人单独录一条本地音轨 |
| 语音重叠 | 两人同时说话，通常两边都记不全 | 请嘉宾别互相打断；重叠的段落用耳朵核对 |
| 人名和专业术语 | 罕见的人名、品牌和技术术语，模型只能靠发音猜 | 对照单集页面或嘉宾网站，逐个核对人名 |
| 口音和语速 | 少见口音和语速过快，都会推高错误率 | 选对口语语言；语速快的段落重点检查 |
| 语言混用 | 说话人在句中切换语言，模型容易搞混 | 切换处容易多出错，提前做好心理准备 |
| 数字和日期 | 数字和单位很容易听错（如 “fifteen” 和 “fifty”） | 打算引用的数字，一律核实 |
这些问题不止出在某一款工具上。语音识别本来就是这个原理：模型把声音转成最可能的词，概率低的词会输给概率高的词。
10 分钟抽查法
转录准确率通常用词错误率（WER）来衡量：
WER = (substitutions + deletions + insertions) / words in the correct text- 替换（substitution）：词写错了，比如把 “fifty” 写成 “fifteen”。
- 删除（deletion）：说了，但没有记下来的词。
- 插入（insertion）：转录里多出来的词，说话人从没说过。
WER 为 5%，大约每 20 个词错一个，数值越低越好。测量时不必检查整期节目，抽样即可。
- 挑三段，每段约一分钟：开头、中间、结尾各一段。避开广告和音乐。
- 边听边改。每段一边听一边对照转录，标出每一处替换、删除和插入。正常语速播放就行，大多数错误第一遍就能听出来。
- 数一下修正后这一段有多少词。一分钟的对话通常有 130 到 170 个词。
- 把错误加起来，除以词数。三段都这样算，再取平均值。
- 记下错误集中在哪里。如果多数错误出在人名和数字上，说明转录作为阅读材料没问题，引用前把这些地方改正即可。
可以用一张简单的表格来记录：
| 片段 | 词数 | 替换 | 删除 | 插入 | WER |
|---|---|---|---|---|---|
| 开头 | 150 | ||||
| 中间 | 150 | ||||
| 结尾 | 150 |
三分钟的样本很小，结果只能参考，不能当保证。决定依赖某个工具之前，再拿一期更难的节目测一次。
并非所有错误代价都一样
WER 对每个错词一视同仁，读者却不会。漏掉一个“的”没什么关系；人名写错，或者把“不”弄反，意思就变了。检查时请多留意这几类：
- 人名、公司名和地名
- 数字、日期、价格和百分比
- 否定（“can”和“cannot”，“did”和“didn’t”）
- 打算一字不差引用的原话
让核对更快
核对最耗时的，往往是在音频里找到对应的位置。Podcast To Transcript 的每一行转录都带有时间戳和说话人标签，点击一行，播放器就会跳到那一刻。几秒钟内就能听到存疑的段落，不必在整期节目里来回拖。转录前先选对口语语言，然后边听边核对人名和数字。
如果准确率对你的工作很重要，比如文章里的引语或研究资料，可以看看给记者和研究人员的页面，也可以读读如何转录播客的指南。要规范引用你核实过的内容，请参考如何引用播客。
小结
- 准确率看的是你的音频，而不是宣传页上的某个数字。
- 自己测一测：三段一分钟的样本，数出错误，除以词数。
- 发布前，用耳朵核对人名、数字、否定和引语。
常见问题
AI 播客转录的准确率有多高？
两人以内、发音清楚的语音，目前的工具大部分词都能转对。背景音乐、多人抢话、口音浓重和电话线路录音，都会拉低准确率。真正有用的数字，只有你按上面的方法在自己那期节目上测出来的那一个。
什么是词错误率？
词错误率（WER）是指，与正确的参考文本相比，错误、缺失和多出的词所占的比例。WER 为 5% 即每 100 个词大约有 5 处错误。它对所有词一视同仁，所以会掩盖一点：错一个人名的代价，远高于错一个“的”。
为什么人名和数字最容易出错？
罕见的人名、品牌名和数字很难从上下文推断，模型能参考的线索很少。可偏偏这些是读者最相信的内容，所以上面的清单把它们排在最前。
转录之前能提高准确率吗？
可以。条件允许的话，让每位说话人用各自的麦克风录音，说话时背景音乐压低音量，并手动选对口语语言，别全靠自动检测。好音频比任何设置都管用。
还需要校对吗？
凡是公开发布的内容都需要。把 AI 文本当成快速初稿，用耳朵核对人名、数字和引语，发布前改正。Podcast To Transcript 每一行旁边都有时间戳，可以直接跳到对应的那一秒去听。价格页面列出了各套餐包含的内容，如何转录播客指南会带你一步步操作。
