热词是怎么加进语音识别的？专有名词

把一段行业会议录音转成文字，人名、产品名、术语错一半，普通词倒是都对，问题就出在专有名词上。热词功能是给这类词开的小灶，讯飞星火等工具都提供这个入口。热词是怎么加进语音识别的，机制其实不复杂，值得每个常做转写的人弄明白。

热词和普通词表差在哪

语音识别的底层存着一张庞大的词表，模型据此把声音片段解码成文字。热词做的事，是在这张大词表之外指定一批词，告诉解码器：这些词出现的可能性被人为调高。它不会修改模型本身，只是在打分阶段给指定词加分，让原本竞争不过常见词的专有名词有机会胜出。

打个比方，像判卷时递纸条：常规答案照标准给分，你另外声明这几个词写对就额外加分，阅卷人自然更愿意往这几个词上靠。类比失效的地方也要说清：热词影响的是选择，不改变模型「听到了什么」，声音本身模糊时它也无能为力。

加权打分怎么提高命中率

解码时，同一段声音可能对应多种文字组合，系统按综合得分挑一个。没加热词时，某个品牌名可能被写成读音相近的常用词；加热词后，正确拼写的得分被抬高，声学上的细微差距弥补回来，命中率随之上升。很多工具还支持给热词分权重，权重越高，偏置越强。

可带走的判断：热词适合救「长得像常见词」的专名，比如品牌名、花名、型号；那些和常用词毫无相似之处的词，本来就不容易错，加了意义也不大。

热词还能和上下文配合：转写前把行业背景交代给模型，识别时会自然向该领域的词汇倾斜，两者叠加的命中提升相当可观。列表之外，把专名的一句话释义附在旁边，部分工具也能利用这段说明改进判断。

热词什么时候会失灵

三种情况要心里有数。一是说话人发音偏离太大，声学特征对不上，加分也凑不近；二是热词数量塞得太多，几百个词一起加权等于没加，偏置被摊薄；三是上下文语法强烈指向别的词时，热词也可能被压制。权重并非越大越好，过高会把同音的常用词全挤走，句子反而不通顺。

另外，热词只管识别这一步。转写成稿之后要不要再加工，是另一条流水线的事，两者别混为一谈。

多轮迭代也有讲究：第一轮转写完后，把高频错误词收进热词表，跑第二轮，命中率会明显抬头。这份词表沉淀下来，就是团队自己的专名资产，下次同类会议直接复用，越用越顺手。

用的时候有哪些讲究

实用做法：热词列表保持精炼，放真正高频、易错的专名；有人名时连姓氏带称呼一起加；工具升级后用新录音回归测一遍命中率。批量转写前先抽几分钟素材试跑，比整批返工省力得多。通义千问这类助手还能帮你从会议议程里提前整理候选专名清单，省去手工罗列。相关话题往下连着看：标点是怎么影响语音合成的讲合成侧的文本准备；字幕的时间轴为什么会漂移讲转写之后的对齐难题；对视频素材感兴趣，还有视频理解的采样密度是怎么定的。

热词配置自查清单

• 列表精炼：高频易错专名优先入列。
• 权重适中：过高会挤掉同音常用词。
• 上线前试跑：抽段真实录音验命中率。

末句：热词是补丁，用在刀刃上才灵。

关于热词，问得最多的三个

• 热词能纠正已经写错的稿子吗？：不能，它只在识别时起作用，成稿纠错得靠替换或重新转写。
• 加多少个热词合适？：几十个以内效果理想，上百个时命中率提升会被明显摊薄。
• 中英混说的素材能用吗？：可以，英文专名同样支持加权，具体格式以各产品文档为准。