同一段录音，两家 AI 转写工具报出的准确率差了十几个点。把测试报告翻出来看，一家用的是朗读体新闻，一家用的是会议录音。宣传数字测的从来不是你的音频，参考价值有限。要判断一个工具适不适合，最省事的办法是自己准备几段有代表性的音频，用同一套标准去数错。下面按音频类型拆开，说清每类的难点在哪、该用什么动作测，以及准确率到多少才真的够用。
宣传里的准确率，测的不是你的场景
公开测试集多是朗读、清晰、单人、无噪声的音频。这类条件下，主流工具的字符准确率都很高，彼此的差距被压得很小。你的场景大概率不是这样：电话录音有压缩损失，会议室有回声和多人抢话，现场采访有风噪。
条件一变，排序就会重排。有的模型在干净语音上很强，一遇噪声掉得厉害；有的对标准普通话一般，对带口音的反而稳。这不是谁更先进的问题，是训练数据分布不同。
五类音频，各考一种能力
| 音频类型 | 难点 | 怎么测 |
|---|---|---|
| 安静环境单人独白 | 同音字、标点与断句 | 取 5 分钟逐字对，只数改变意思的错 |
| 多人对话、有抢话 | 说话人切分、交叠处漏句 | 对时间轴听回放，看换人处有没有并成一段 |
| 带背景噪声的现场 | 信噪比低，辅音被吞 | 同一段内容在安静与噪声下各转一次，比错字增量 |
| 术语密集的专业内容 | 生僻词、英文缩写、型号编号 | 先列 20 个必现词，数命中率，不看总错字 |
| 带口音、语速偏快 | 声调与连读，句尾吞音 | 挑语速最快的一分钟，看漏字集中在哪 |
五段音频不用很长，每段三到五分钟就够，但要覆盖你真实工作里最常见的两三种条件。只测安静独白，等于把最有利的条件当成平均水平，上线后落差会很大。测试顺序也建议从难到易：先跑最差的那段，能接受再谈其他。
别数错字，数错误类型
「错了 8 个字」这个数字没什么用，因为八处错误的分量可能差十倍。要分类记：同音字错、专有名词错、漏字、多字、断句错、说话人标错。同一段音频，两类工具的错字总数可能一样，但一类错在「的、了、是」这类虚词上，不影响阅读；另一类错在人名、型号、金额上，整段就不能用。
统计口径也要固定。以人工逐字校对的结果为基准，标点不计入字数，数字统一成阿拉伯数字再比。口径不固定，两次测试的结果没法比，换工具时也判断不出是进步还是噪声。
术语错和断句错，后果完全不同
术语错会连带后面的检索失效。会议里说「走预付款流程」，转成「走预复款流程」，你在纪要里搜「预付款」搜不到，这条决议就等于丢了。这类错误靠上下文猜不回来，因为模型不知道你们公司内部怎么叫。
断句错影响的是可读性和后续处理。一整段没有标点，人读着累，做摘要、做翻译时也容易被切错语义。中文转写里断句尤其难：口语没有明显停顿，说话人自己也会中途改口。语音识别把声波转成文字的整条链路里，声学模型负责听清，语言模型负责猜合理，两者都会在这里出错。
九成准确率，剩下那一成决定能不能用
这类工具真正吃力的地方有几处。多人同时说话，它通常只能保留一个人的声音；录音质量差到某个程度，它不会告诉你「听不清」，而是给一个发音相近的词；中英混说时，英文单词常被转成谐音汉字；专业缩写和型号几乎必错。
还有时间轴。带时间戳的转写对做字幕、做检索很关键，但时间戳的精度普遍一般，句子被合并或拆分之后，戳的位置会对不上。要做字幕，得留一道人工对齐的工序。测试集和训练集重叠也会让公开数字虚高，这也是自己测更可靠的原因。
词表加校对，是现阶段的标准动作
先转写，再校对，别把转写结果直接当定稿。校对的重点在风险排序：人名、机构名、金额、日期、型号先过一遍，这几类错了代价最大；虚词和语气词可以放过。
长期使用的术语，提前建一份词表导入。多数工具支持自定义词表或热词，导入后专有名词的命中率会明显提升。词表要有人维护，新项目、新产品上线就补进去，否则半年后又开始错。人工校对产生的修正记录本身就是一份高质量的标注数据，攒够了可以反过来喂给模型做适配。
速查：转写测试清单
- 至少五段音频：独白、多人、噪声、术语、口音
- 错字按类型分，别只报一个总数
- 20 个必现术语单独数命中率
- 时间戳精度单独验，做字幕要留人工对齐
- 词表先导入，校对按风险排序
