语音转写为什么会出错？同音字与专有名词

AI 语音转写总体准确率已经不低，出错却集中在两类固定位置：同音字选错，和专有名词写错。前者是模型在几个读音相同的候选字里猜错一个，后者是模型根本没见过这个名字。两类错误的成因不同，对策也不同，定位准了再动手，校对时间能省一半。

同音字：模型靠上下文猜

中文里同音词密度极高，「预算」和「预定」、「期中」和「期终」，拼音层面毫无差别。识别模型听到的其实是一串带概率的候选，最终选哪个字，靠上下文语言模型去猜。日常语境里它猜得很准，因为常用搭配见得多；一旦进入低频搭配——人名叠着机构名、术语混着口语——上下文线索变弱，猜错概率陡增。

这解释了一个典型现象：同一场会议记录，白话部分几乎零错，一到专业讨论就成片出错。错的并非「听力」，是「常识储备」。由此也得到一条校对原则：错处通常集中在你最不熟的领域，通读时优先细看那些段落。

专有名词：没见过的名字最容易错

人名、地名、产品名、内部项目代号，是转写错误的重灾区。模型的知识来自训练语料，语料里没出现过的名字，它只能按读音拼一个「看起来合理」的字。更麻烦的是这类错误不好察觉：错字往往也是常用字，句子读起来通顺，扫一遍根本发现不了。

对策是现成的：热词功能。把专有名词提前喂给识别系统，命中时按你给的写法输出。热词一篇讲了它的生效机制与局限——能救名字的写法，救不了名字念错本身。除热词外，口音也会放大这两类错误，方言口音下同音候选会更乱，口音适应一篇讨论了这层关系。

为什么识别和合成要一起看

转写是「听内容写下来」，合成是「照文字读出来」，两个方向共用很多基础能力，也各有一套出错逻辑。语音识别和语音合成差在哪一篇给过对照。放在工作流里，两者经常接力：录音先转写成文字，改完稿再合成配音。接力时错误会传导——转写阶段写错的字，合成阶段会一本正经地念出来，所以改稿环节值得多花两分钟盯专有名词。

校对的两个省力做法

第一，改听为读。眼睛扫文字找错，速度远快于逐句回听音频，先通读一遍稿子，可疑处再定点回听。第二，让模型当校对助手：把转写稿丢给 DeepSeek 或 Kimi，提示它「找出可能的专有名词错别字」，这类低频组合词它比肉眼盯得快；豆包这类产品也能边放录音边出稿，实时场景下的错误率与离线有差异，选法可参考实时转写和离线转写。

还有一条工作流经验：剪辑软件的字幕识别，比如剪映的智能字幕，识别完先改字幕文本再对时间轴，别反过来——先定轴再改字的顺序，每改一处都要挪轴，白费一遍功夫。

转写校对优先级

• 先查专有名词：人名、机构名、产品名逐个过
• 再查同音字：低频搭配、专业术语段落细读
• 数字与时间：单独核一遍，错了影响最大
• 最后定点回听：只听可疑处，不全篇回放

把错误率当工具选型的核心指标

选转写工具，宣传的准确率数字仅供参考，那是对标准语料的成绩。真正的办法是拿自己场景的音频实测：一段带方言的会议、一段满是术语的访谈，各转一遍，数专有名词错误数。评测成绩和你的真实任务之间隔着语料差异，基准分和实际任务一篇说的就是这层距离。

另外对准确率保持平常心：转写的错字是白纸黑字，读者看得见，藏不住。发布前的人工校对目前省不掉，工具能做的，是把校对范围从全篇收窄到重点段落，这已经是实打实的效率提升。

关于语音转写的三问三答

• 宣传的准确率很高，还用校对吗？：要校，错误集中在专有名词和低频词上，恰好是最不能错的位置，重点校这几类就够。
• 热词要加多少个才有效？：加真正高频出现的那些即可，堆几百个反而稀释命中权重，上限与用法以各家说明为准。
• 口音重就转写不了吗？：能转，错误率会上升，先试口音适应相关的设置，再对重点段落人工核。