ASR 转写准确率：从 80% 到 98% 之间，差的不是模型，是这 4 件事

TL;DR

模型不是瓶颈：主流引擎在开源测试集上的字错率（CER）已普遍低于 5%，真实场景却常常只有 80%~90%——差距来自音频前端。
四个失真源：收音设备（采样率/指向性）、录音环境（底噪/混响）、录音距离（嘴到麦 30~50 cm 最佳）、说话人因素（语速/同音字/叠话/术语）。
一通百通的规律：专业播音员朗读 CER < 1%，标准会议 3%~6%，客服通话 5%~10%——录音条件决定上限。
前端控不了怎么办：拿到的音频已经定型时，靠热词定制、说话人分离、词级置信度、离线批量转写这四个后处理手段，还能把精度再推上去。
一句话结论：精度不是单点指标，是"前端 + 模型 + 后处理 + 复核"的系统工程。

模型决定下限，前端决定上限

语音识别（ASR）早已不是稀缺技术。手机输入法、会议录音笔、客服通话系统、视频字幕，几乎每一段声音在被"听"的同时都在被"写"。在开源测试集上，主流引擎的字错率（CER）已经普遍低于 5%——也就是说，纯音频信号条件良好的情况下，模型已经能做到接近专业速记员的水平。

但回到真实业务场景，很多团队的体感却大相径庭：客服通话转写出来姓名错乱、会议录音把"开户"识别成"开始"、访谈里大量"嗯""那个"塞进正文、甚至一段 30 秒的静音被模型"补"出一整段会议纪要。这些不是模型不行，是音频前端的质量决定了模型能不能稳定发挥。

我们在 DolphinVoice 的工程实践中反复验证过一句话：当录音在安静的室内、说话人靠近麦克风、语速适中、术语预先登记时，任何主流引擎都能做到 95% 以上；当音频伴随空调噪音、远距离拾音、多人叠话、专业词汇时，再先进的模型也只能在 80%~90% 之间徘徊。剩下的 5~10 个百分点，不靠换模型，靠把"录音这件事"做对。

本文沿着自动语音识别的基本原理展开，回答两个问题：

转写为什么会出错——从设备、环境、距离、说话人四个维度拆解常见失真源
怎么把准确率从 80% 推到 98%——按场景给出可执行的工程建议

自动语音识别的基本原理

一段语音变成文字，中间至少要经过三个环节：

声学特征提取：把原始波形切成 25ms 一帧的小段，提取频谱、梅尔倒谱系数（MFCC）等特征向量
声学 + 语言模型：把每一帧的特征向量映射到音素，再由语言模型把音素串拼成词序列
后处理：大小写、标点、说话人标签、热词替换、敏感词过滤、置信度标注

其中第一环（声学特征提取）只能决定"模型能听清多少"，第二三环（语言模型 + 后处理）才能决定"模型能猜对多少"。前者受限于录音质量，后者受限于训练数据与定制能力。

图 1：从音频输入、声学处理、语言推断到文字输出，录音质量与识别处理共同影响转写结果。

这也是为什么 DolphinVoice 在工程化交付时，把"热词定制 + 词级置信度 + 说话人分离"做进了后处理环节——前端的物理失真我们没法替客户解决，但后端能榨出的精度，一个字都不想放过。

接口字段、调用方式、错误码等完整说明在 Docs 文档上。

为什么转写会"翻车"：四个失真源

转写出错的原因虽然千差万别，归根到底都可以归到四个失真源。下面按可控性从高到低排列。

收音设备：从源头决定信噪比

内置麦克风（笔记本/手机/平板自带）

拾音距离短（约 30 cm ~ 1 m），多人会议时离说话人远的声源信噪比骤降
容易拾取设备的电子噪声和风扇声
频响范围通常 100 Hz ~ 8 kHz，对齿音/s/明显不足

外置麦克风（USB / 3.5 mm / 蓝牙）

拾取范围与灵敏度优于内置麦，但麦克风本身的频响和指向性才是决定因素
廉价 USB 全向麦在多人场景下未必比笔记本麦好——它把环境噪声也"等量"拾进来了

蓝牙耳机

部分蓝牙耳机仅支持 8 kHz 采样率，采样率直接决定模型能听到的细节上限
16 kHz Wide Band Speech（HD Voice）已经够用，再高对识别率没有增益
蓝牙编解码（AAC/SBC/aptX）在传输过程中会做有损压缩，进一步损失细节

专用录音设备

选择麦克风前先确认三件事：频响范围、采样率、指向性
单人发言选心形（Cardioid）指向；多人圆桌选全向（Omnidirectional）；采访对话选双向（Bidirectional）

图 2：从左到右依次为笔记本内置麦、桌面外置麦、蓝牙耳机、专业录音麦克风。应按录音场景检查采样率、频响和指向性。

录音环境：噪音比距离更致命

会议场景

多人会议室推荐使用会议扬声器（speakerphone），它本质是带阵列麦克风的全向设备
笔记本内置麦在会议室里的拾音半径不超过 1 米，离得远的同事声音会直接被噪声淹没
空调、风扇、投影仪散热风扇是会议室三大持续噪声源——开会前先关掉，比换任何麦克风都管用

访谈场景

在安静的室内、靠近麦克风的位置录制，关闭一切可能的噪声源
正式录制前做 30 秒测试录音，回放确认音量、清晰度、有无削顶
让受访者自然语速说话；咬字清晰的访谈者，转写准确率几乎贴近 100%

户外场景

风噪是最难处理的噪声，建议使用防风罩（wind muff）或领夹麦贴近嘴部
街道交通噪声集中在 500 Hz ~ 2 kHz，恰好覆盖人声主要频段，识别率会明显下降
如果需要在户外长期采集，选择降噪算法强、说话人分离能力好的引擎比选择更好的麦克风更划算

图 3：会议、访谈、户外三类场景的噪声结构完全不同——会议要防混响与多人叠话，访谈要防环境底噪，户外最难的是风噪。

录音距离：嘴到麦的黄金区间是 30~50 cm

太近（< 20 cm）：齿音、气流喷麦会过载，模型反而识别困难
太远（> 60 cm）：声压级衰减、环境噪声比例上升，识别率断崖式下降
多人会议：麦克风居中放置比每个人都贴近更稳定；或者使用支持波束成形的会议扬声器

理想情况下，单人发言保持嘴到麦 30~50 cm；多人场景麦克风摆在圆桌中央，所有人到麦克风的距离大致相当。

图 4：距离越远，声压级衰减越明显、环境噪声占比越高。理想区间是 30~50 cm。

说话人因素：模型再强也怕这 4 种声音

语速过快或音量过大/过小

语速超过 250 字/分钟或音量低于 -20 dBFS，识别率都会下降
自然语速、自然音量说话最有利于识别

同音字

同音字和近音词需要结合上下文判断
模型只能基于上下文判断，而会议录音里上下文往往不够

多人同时说话

两个人叠话时，模型无法判断谁是谁，识别率显著下降
尽可能让说话人轮流发言；或者使用支持说话人分离（Speaker Diarization）的引擎

专业术语 / 专有名词

通用 ASR 模型对人名、产品代号、行业术语的识别率明显低于日常口语
解决办法是预先在词库中登记这些词汇，让模型带着"上下文"去识别

图 5：模型再强也怕这四种声音——语速、同音字、叠话、术语。前两个靠"说清楚"解决，后两个靠"引擎能力"解决。

不同场景下的精度预期

回到工程实践，把上面四件事做到不同水位，转写准确率会有非常明显的梯度差异：

场景	录音条件	预期 CER	备注
专业播音员朗读	单人 + 安静 + 近距离 + 标准普通话	< 1%	模型上限，接近理论天花板
干净访谈	单人 + 安静室内 + 近距离 + 自然语速	1% ~ 3%	通用模型即可达到
标准会议	多人 + 会议室 + 会议扬声器	3% ~ 6%	建议开启说话人分离 + 热词
客服通话	多人 + 客户侧噪声 + 术语多	5% ~ 10%	必须用热词定制 + 后处理过滤
户外采访	多人 + 风噪 + 远距离	10% ~ 20%	物理失真为主，再换模型也难

上表的 CER 区间是行业普遍观测值——DolphinVoice 与主流引擎在开源测试集上的实测对比，在 Playground 上可以直接试听。

一句话总结：把"收音设备 + 录音环境 + 录音距离 + 说话人因素"四件事做到位，干净录音能从 80% 一路推到 98%；做不到位，再贵的模型也只能在 80%~90% 之间徘徊。

把上面四件事做到位：DolphinVoice 的工程化做法

软硬件的建议已经写在前面，但很多团队反馈："录音环节我们控不了——录音在客户那里、在现场、在合作方，我们只能拿到最终音频。"这一节写给"控制不了前端"的团队——告诉你在拿到音频之后，还能做哪些事把精度往上推。

1. 热词定制（Vocabulary Customization）

人名、产品代号、行业术语、SOP 流程编号——这些词通用模型几乎识别不出来。在 DolphinVoice 中可以在管理后台或 API 里分钟级更新热词表，不需要重新训练模型。

2. 说话人分离（Speaker Diarization）

多人叠话的场景下，自动给每段话打上"说话人 1 / 说话人 2"的标签，并把不同说话人的发言按时间线拼接。即便叠话本身无法 100% 识别，会议纪要的"谁说了什么"也能准确还原。

3. 词级置信度（Word-level Confidence）

转写文本不只是"一段话"，还是"一段带置信度的结构化数据"。DolphinVoice 输出每句话、每个词的置信度分数（0 ~ 1），业务系统可以基于置信度做人工复核触发、关键字段校验、自动重听等下游逻辑。

4. 离线批量转写

会议录音批量入库、客服通话次日质检、档案录音长期管理——这些场景对实时性没有要求，但对精度和稳定性要求极高。DolphinVoice 离线转写能看到完整音频信号，精度比同引擎实时版本更高（典型情况下 CER 低 1~3 个百分点），且支持 CPU 推理，3,000 小时的月度处理量单机即可承担。

3,000 小时/月只是单机能力上限，真实项目按并发与部署形态计费——具体价目在 Pricing 上。

图 6：前端控制不了的情况下，DolphinVoice 从后处理环节把精度再往上推一轮。

想自己跑一遍这四项能力？登录后台拿一个试用 Token，5 分钟就能接入 API。

常见问题

Q1：语音识别准确率多少算好？

看场景。在音频条件良好的情况下（安静室内、近距离、标准发音），主流引擎的字错率（CER）通常能做到 1%~3%，也就是准确率 97% 以上；而在客服通话、多人会议、户外采访等"脏音频"场景，5%~15% 的 CER 属于正常范围。判断准确率是否达标，要先判断你的音频属于哪一档——用干净音频的标准去要求脏音频，会得出"引擎不行"的错误结论。

Q2：为什么我的录音转写准确率特别低？

按出现频率排序，四个最常见原因：一是录得太远（笔记本内置麦在会议室里拾音半径不足 1 米）；二是环境噪声（空调、风扇、投影仪持续底噪）；三是多人叠话（模型无法判断谁在说话）；四是专业术语（通用模型没见过你的行业词汇）。这四类问题都不需要换引擎，调整录音方式或配置热词表即可显著改善。

Q3：麦克风离嘴多远最合适？

单人发言建议保持 30~50 cm。太近（小于 20 cm）容易出现喷麦和齿音过载，太远（超过 60 cm）会导致声压级衰减、环境噪声占比上升。多人会议场景，把麦克风放在圆桌中央比每个人都贴近更好——让所有人到麦克风的距离大致相当，避免个别人声音过小。

Q4：多人会议怎么提高转写准确率？

三个动作按性价比排序：第一，使用会议扬声器替代笔记本内置麦，它的麦克风阵列能覆盖整个会议室；第二，关闭空调、风扇等持续噪声源；第三，开启引擎的说话人分离（Speaker Diarization）能力，即便发生叠话，会议纪要的"谁说了什么"也能准确还原。

Q5：专业术语、人名、产品代号总是识别错怎么办？

这是通用模型的固有短板——它没见过你的行业词汇。解决办法是热词定制：把高频出现的专业术语、人名、产品代号、流程编号登记进引擎的词库，让模型带着这些"上下文"去做识别。DolphinVoice 支持在管理后台或 API 中分钟级更新热词表，不需要重新训练模型。

Q6：离线转写和实时转写，哪个准确率更高？

同一引擎下，离线转写通常更准。原因是架构差异：实时转写只能看到当前及此前的音频片段，而离线转写可以看到完整音频信号，能利用后文信息去校正前文的歧义判断。典型情况下，离线转写的 CER 比同引擎实时版本低 1~3 个百分点。对精度敏感、对时效要求不高的场景（会议入库、通话质检、档案归档），优先选离线。

写在最后：精度不是单点，是系统工程

很多团队在评估 ASR 方案时，把"准确率"当成一个数字比较：这家 95%、那家 97%、再换一家 99%。但转写准确率从来不是一个数字，而是一个系统：

音频前端的质量决定了模型能听清多少
模型的训练数据与架构决定了它能把听清的多少猜对
后处理的热词与说话人分离决定了猜对的部分能不能贴合业务
词级置信度与人工复核决定了漏网的部分能不能被发现和纠正

把这四件事做到位，80% 的场景下准确率可以稳在 98% 以上；做不到位，再先进的模型也只能在 80% 附近徘徊。

具体场景的精度评估与适配方案，欢迎联系企业团队；想顺带了解公司背景与技术路线也可以一并看。

数据出处

主流引擎 CER < 5%：公开语音识别测试集基线（CSJ、AISHELL、TED-LIUM 等）
各场景精度预期（1% ~ 20%）：综合公开文献与 DolphinVoice 工程实践经验；录音条件与识别率的对应关系为行业普遍观测结果
采样率与 Wide Band Speech：语音识别通用工程共识——16 kHz Wide Band Speech（HD Voice）已满足识别需求，采样率更高对识别率无增益
麦克风指向性分类：麦克风行业通用分类（心形、全向、双向、超心形、锐心形、双耳式）