一个语音转写工具告诉你「识别准确率 98%」的时候，它没告诉你的是：那错掉的 2%，几乎全部落在型号、金额和人名上。
因为语音识别的错误从来不是随机分布的。这篇讲它为什么必然如此——以及我为此跟甲方吵了一架。
做一个 UWB 电子标签的项目。需求沟通会开了 28 分钟。
三个月后验收，甲方技术负责人说：我没要求过三色屏。
我说您要求了。他说没有。
会议录屏我留着。28 分钟的录屏，我翻了四十分钟——比这场会本身还久，才找到那一句：他说的是「墨水屏」。
那我为什么记成三色屏？因为会后我用转写工具整理了纪要，纪要上写的是「山色屏」。我当时看了一眼，心想大概是三色屏吧，就这么记下来了。
一个字之差，三个月后变成两个人对着桌子说「你说过」「我没说过」。
一、98% 的准确率，和「那句话对不对」，是两个指标
我去查了几家纪要工具的公开说法。有的官网写着识别准确率 98%，还专门提到能听懂「芯片架构」「金融合规」这类行业术语。
这个数字大概率是真的。问题是它和你关心的事不是一件事。
98% 的字准确率，意思是一百个字里错两个。如果这两个字随机分布，那确实没什么影响——错在「的」「了」「这个」上面，你一眼就跳过去了。
但语音识别的错误从来不是随机分布的。它高度集中在低频词上。而你开会时真正要记住的东西——型号、参数、规格、人名、金额——恰恰全是低频词。
所以完全可能出现这种情况：整篇转写 98% 的字是对的，而每一个型号都是错的。这是推论，不是我那场会的实测结论；我那场会里，四个产品型号压根没人念出来过（它们只在屏幕上）。
我那场会的实测错误就在上面那张图里：前 5 分钟人工逐句核对，8 处错误，没有一个是虚词。
二、为什么偏偏是专业词：模型有两层，第二层在帮倒忙
这件事的机制值得讲清楚，因为它不是哪家做得不够好，是这类模型的结构决定的。
语音识别大致分两层。第一层是声学模型。 它听声音，输出可能的音节。这一层对「屏」和「瓶」是没有区别的——普通话里同音。第二层是语言模型。 它在若干个同音候选里挑一个最像人话的，依据是训练语料里的出现频率。
「墨水瓶」在通用中文语料里的出现频率，比「墨水屏」高得多。前者是一个存在了几百年的日常词，后者是最近十几年才有的显示技术。于是第二层把对的改成了错的。
越是通用的语言模型，越会把低频的专业词「纠正」成高频的日常词。 它不是没听清，它是听清了之后主动改的，而且改得理直气壮——从语言统计上看，它的选择完全合理。同样的道理解释了「三色屏」输给「山色屏」、「续航」输给「讯号」。
三、我试过术语表。结果是反教程的
绝大多数教程都会告诉你：把专业术语做成词表喂进去（Whisper 里叫 initial_prompt），就能解决这个问题。
我信了，认真做了一份，26 个术语，全是这个项目会反复出现的型号和名词。结果：
- 前 5 分钟 8 处错误，只修好了 1 个
- 转写耗时增加 28%
- 而且——这条是我没想到的——它改变了断句边界，长句被拆开，短句被合并
第三条最要命。断句是很多下游处理的基本单位：你按段落去定位、去截片段、去做人工校对。断句一变，之前所有基于段落的标注全部失配。 所以还有一条推论：术语表不能中途改。改了就必须整段重转。
为什么没用？因为 initial_prompt 是软提示，不是强制词表。它只是给模型一个语境暗示，大致相当于跟它说「接下来可能会聊电子标签」。模型听不听，看它自己。这一条我在多数教程里没见人说，以我这次实测为准，你可以自己复现。
四、真正有效的东西，藏在会议录屏里
回到开头。为什么我翻了四十分钟就确定他说的是「墨水屏」？因为那一刻他正在共享屏幕，屏幕上是一份产品 PDF，写着 KINEXON ePaper Tag。ePaper，电子纸，就是墨水屏。
那句话的关键信息，根本不在音频里。 它在画面上。在座的人当时都看见了，所以没人纠正他——大家默认「屏幕上写着呢」。
我把那 28 分钟的录屏按画面变化抽了帧：场景变化 36 帧 + 每 30 秒兜底 57 帧，去重后 85 帧。对这 85 帧做 OCR，出来 2957 个文本块，没有一帧是空的。里面有四个产品型号 MT420A / MT750A / MT1020A / MT1330A，还有尺寸 x85x13、x121x13。这些东西，音频里一个都没有。
于是纠错有了依据。Conexion 和 KINEXON 的字形相似度是 0.67，屏幕上第 180 秒那一帧的 OCR 置信度是 0.99，拉丁字母可以直接比对。更有意思的是「讯号」：它和「续航」字形上毫无关系，但同期画面写着 Battery life: up to 5 years，模型把这句英文的语义和中文语境对上了，判定说话人说的是「续航能力」。字形匹配做不到这件事，语义印证可以。
五、写到这儿我得承认，前面四节都在打偏的靶子
上面讲了一堆「工具为什么听错」。但让我赔钱的，其实不是工具听错。是我自己没回去核对。
录屏一直在那儿。屏幕上那行 KINEXON ePaper Tag 从会议第 3 分钟开始就摆着。我三个月后花四十分钟能翻到的东西，会后当天花三分钟也能翻到。我没翻。因为我看了纪要，纪要看起来挺完整的，我就信了。
所以这事的根子不是识别率，是「把纪要当结论」这个习惯。而这个习惯不是懒，是成本问题——回去核对一句话要翻四十分钟录屏，任何人都会选择相信纪要。
想明白这一层，要做的东西就变了：不是把识别率从 98% 做到 99%。是把「回去核对」的成本从四十分钟压到三秒。
因为 99% 也救不了一个不回头看的人。
六、所以我做了个工具，以及它做不到的事
我把上面这套做成了一个 Windows 上的本地软件：录屏丢进去，转写 + 抽帧 OCR + 交叉校正，出来一份带时间戳的纪要，每条结论点一下就跳到视频那一秒。处理全程在本机，素材不上传。 下面是它做不好的地方，应该在你下载之前说清楚：
一、它分不清谁在说话。 会议录屏是混音单轨。声纹分离第一版把 52 段碎成了 11 个「说话人」，补上四处特征提取的细节之后收敛到 3 个，和实际人数对上了。但两个人抢话时，那一段只会归给其中一个。
二、没有独立显卡的话，一小时的会要跑一小时。 这是本地处理的代价。
三、关于「跟飞书妙记有什么区别」：如果你的会议不敏感、也不需要事后举证，用它们就够了，而且免费额度很大。差别只有两点——素材不出本机，以及会读屏幕。至于它们做不做画面 OCR，我查了公开的功能说明没找到，但没有能力穷举。你要是知道哪家做了，请在页底告诉我，我改这篇文章。
七、如果你只带走一句话
错的那 2%，从来不是随机的 2%。
下次有人跟你说某个识别类工具「准确率 98%」的时候，值得多问一句：错的那部分，落在哪儿？ 如果它均匀地落在虚词上，98% 是个好数字。如果它集中落在型号、金额、人名上——那这个 98% 跟你没关系。
工具叫会议证据链，Windows 本地运行。上面所有数字都来自一场 28 分钟真实项目会议的实测。
最后交个底：我自己做的需求调研，结论是红灯——我翻公开渠道找「会议里屏幕上的参数没被记下来」这类抱怨，一条都没找到。所以你要是看完觉得用不上，那大概率是对的。
相关页面：会议证据链