语音转文字听起来是个一句话就能说完的需求：把音频丢给接口，拿回文字。但真拿一段两小时的会议录音去跑，你多半会得到一个没有标点、没有分段、人名全错的长字符串——技术上成功了，用起来还是废的。这篇讲的是从「跑通」到「能用」之间那几步，会议记录和视频字幕都适用。
先想清楚：你要的是转写，还是整理
这是两个不同的任务，混在一起做往往两头不讨好。转写的目标是「一字不差」，适合字幕、法务留档、访谈原稿；整理的目标是「读得懂」，适合会议纪要、周会同步——后者允许删掉口头语、合并重复表达、按议题重排。前者交给语音模型，后者必须再过一遍语言模型。
所以一条完整的流水线通常是三段：音频预处理 → 语音识别 → 文本后处理。很多人只做了中间那段，然后把结果直接发给同事，于是对方看到一份没法读的东西，还得自己再听一遍录音。这不是模型不行，是链路少了头尾。
判断标准很简单：这份输出能不能不看原音频就读明白？能，才算做完了。
第一步：音频先过一遍，比换模型更管用
识别准确率掉得最狠的原因，往往不是模型，而是音频本身。手机放在桌上录的会议，空调声、键盘声、椅子挪动声全在里面；两个人同时说话，声音叠成一团；离麦克风远的人，音量只有近处的一半。这些在转写之前都可以处理掉一部分。
能做的几件事：转成单声道、采样率统一到 16kHz、把整体音量归一化、切掉首尾的静音。如果录音里有多人，尽量按发言人切成独立片段再送——一次只识别一个人说话，比让模型自己去分谁是谁要稳得多。格式上优先用 wav 或 mp3，别把视频文件直接丢过去指望接口帮你解封装。
第二步：长音频要分段，但别切在句子中间
接口对单次请求的时长和体积都有上限，两小时的会议必须切。切分方式直接决定结果质量：按固定秒数硬切，很容易把一句话切成两半，前半段没了主语，后半段凭空多出一个动词，识别出来就是两句错话。
更稳的做法是按静音切：检测能量低谷，在停顿处下刀，每段控制在几十秒到两分钟之间，并让相邻片段重叠一两秒作缓冲。切完之后给每段编号，识别完再按编号拼回去，顺序不会乱。字幕场景还要多一步——把识别出的句子按语义断行，单行别超过十几个字，观感才接近正常字幕。
第三步：后处理决定了它能不能直接用
识别结果里最常见的三类问题：没有标点、专有名词写错、口语重复。把文本再送一次语言模型，明确要求「只加标点、不改原意」或「整理成会议纪要，保留结论与待办」，一次就能解决大半。注意这两件事要分开做——既加标点又重写内容，模型很容易顺手把原话改掉，留档就不准了。
专有名词最好提前给一份词表：公司名、产品名、参会人姓名。把它们写进提示词里，让模型按词表校正同音字，比事后一个个改要省事得多。中文同音词多，「期权限」「齐全线」这类错法靠上下文猜不准，有词表就稳了。
常见问题
录音里有方言或者口音，识别率高吗？
普通话为主、带一点口音的情况通常没问题，纯方言就明显吃力。可行的办法是先小样本试跑：剪两三分钟最有代表性的片段，看输出能不能读懂，再决定要不要全量跑。全量跑完才发现不能用，浪费的是时间和额度。
会议记录要不要保留原始转写？
建议保留。整理稿是给人读的，原始转写是给核对用的——当有人质疑「我当时不是这么说的」，能翻回原句比什么都管用。存储上可以把两份放在一起，标明哪份是机器原文、哪份是整理版。
实时字幕和录音转写能用同一套方案吗？
思路接近，但侧重点不同。实时字幕更在意延迟，宁可牺牲一点准确率也要跟上说话速度，通常按短片段流式送；录音转写更在意准确和可读，可以整段送、慢慢跑。别用同一套参数硬套两个场景。