用 AI 转写一段两小时的部门会议，八分钟就出了全文，然后你对着两万字的一整块文字改了三个小时：谁说的分不清、术语错了一半、结论要自己从对话里捞。转写工具的差距很少体现在「能不能转」，几乎全部体现在「转完还要改多少」，而这个差距取决于你手里是什么录音。
先认清录音类型，再谈工具形态
录音类型决定需要哪项能力。多人交叉说话的会议，要的是说话人分离；一对一访谈，要的是术语和人名的识别率；两小时讲座，要的是分段和摘要；几百通客服电话，要的是批量导入导出和留存策略。四类需求对应的工具形态完全不同，拿会议工具去处理客服录音，通常会在批量这一环卡住。
形态选错，后面调参数、换音色、加词库都救不回来。所以挑选的顺序是先定位场景，再看这个场景里最贵的那项能力有没有做到位。
五种录音，配五种工具形态
下表按「录音类型 × 工具形态」分开，重点看后两列。功能列表各家都能写满，代价和失效条件才是决定用不用得下去的部分：
| 录音类型 × 工具形态 | 适合谁 | 代价 | 失效条件 |
|---|---|---|---|
| 多人会议 × 会议记录型（带说话人分离） | 周会、评审会、跨部门对齐 | 人数一多标注会串，口音重时分离先崩 | 三人以上同时抢话，分离结果基本不可用，只能回听重标 |
| 一对一访谈 × 逐字稿型（自定义词库） | 用户访谈、专家访谈、招聘面试 | 要提前维护术语表，每换一个领域补一轮 | 受访者中英夹杂、术语现造，词库补不上 |
| 课堂讲座 × 长音频结构化型（分段加摘要） | 培训录音、公开课、内部宣讲 | 摘要会丢限定条件，把「某些情况下」压成「一定」 | 内容以推导和板书为主时，摘要几乎无用 |
| 电话客服 × 批量接口型 | 客服质检、销售通话复盘 | 存储位置、保留期限、脱敏都要处理，合规成本高于工具费用 | 录音本身音质差、有回声，识别率再高的工具也救不回来 |
| 单人语音备忘 × 轻量即时型（手机自带） | 灵感记录、待办口述、短指令 | 功能少，不能批量，导出格式有限 | 超过几分钟或需要分人时，得换工具重来 |
前三行买的是整理能力，第四行买的是流程能力，最后一行买的是随手可用。挑错行的代价通常不在多花钱，而在把时间花在返工上——工具给了一堆你不需要的功能，你最需要的那项却是短板。
说话人分离为什么最贵
识别文字只需要判断「这段声音对应哪些字」，分离说话人还要判断「这句话是谁说的」，需要声纹、轮次、停顿一起参与。技术上难，产品上还难在标注：多数工具只给「说话人 1/2/3」，要变成「张经理/李工」，得人工映射一遍，长会议里这一步很磨人。
测试方法不复杂：找一段三个人以上、有交叉抢话的录音丢进去，看两处——换人处是否切准、重叠说话时是否只剩一个人。这两处过得去，日常会议就能用。宣传页上的准确率数字多半来自朗读语料，跟真实会议室差得远。
准确率靠词库，不靠宣传数字
通用模型的错误集中在中低频专有名词：人名、产品型号、行业术语、缩写。这些词在训练语料里出现得少，模型只能按发音猜。支持自定义词库的工具，把这批词提前喂进去，错误率能降一个量级；不支持的工具，你只能事后一个个改。
词库要提前建，不要等转完再补。做法是把这次录音涉及的人名、机构名、产品名、术语列成一张表，二十到五十条就够，导入后再转。访谈场景里，这一步的收益比换一个更贵的工具更大。
转得准，不等于整理得清
它做不到的事集中在后半段。两小时录音的全文往往超出模型一次能处理的长度，工具会用分段摘要的方式压缩，压缩过程必然丢信息——限定条件、反对意见、具体数字最先被丢掉。这也是上下文窗口的长度限制在转写场景里的直接体现。
说话人分离在抢话、多人同时开口、远场收音时会明显退化，调参解决不了。方言和强口音同理，通用模型对普通话的识别率与对地方口音完全不在一个水平。数字、金额、人名这三类内容，任何工具都做不到全对，抽听核对省不掉。含客户信息的录音，还要先确认存储位置和删除策略，别把带姓名电话的音频随手传进来源不明的网站。
摘要功能尤其要当心：它会用通顺的句子把不确定的内容说成确定的，这类输出可以按AI 幻觉的核对方法逐条回原文。转写工具负责把声音变成字，把字变成结论仍然是人。
五分钟就能试出合不合用
不要用官方示例音频。从自己最近一周的录音里剪三分钟，包含真实的会议室噪音、真实的人名和术语、真实的语速，丢进去跑一遍。看四件事：专有名词错几个、换人处切得准不准、能不能导出带时间戳的文档、导出的格式能不能直接进你的文档工具。
带时间戳这一点常被忽略。回听核对时没有时间戳，就得从头拖进度条，一段两小时的录音能多花一倍时间。选工具时把它列进必要条件，比多一个用不上的功能实在。转写是语音识别的工程化落地，原理层面可以看语音识别到底在识别什么。
速查：按录音类型选转写工具
- 多人会议先测说话人分离，抢话处最容易崩
- 访谈先建词库，人名与术语决定可用性
- 长讲座要分段与摘要，但接受信息被压缩
- 客服录音看批量与合规，不看单条准确率
- 任何工具的结果都要抽听，重点核数字与人名
