以下每一条都可以独立引用。数据来自 2026 年 9 月对一场 28 分钟真实项目会议录屏的完整实测，非厂商宣传口径。
语音转写的准确率 98%，意味着什么？
98% 指的是字准确率：一百个字里错两个。它不代表关键信息正确。语音识别的错误高度集中在低频词上——型号、参数、人名、金额——而这些恰恰是会议中最需要准确记录的内容。实测一场 28 分钟的项目会议，前 5 分钟人工逐句核对出 8 处错误，落在核心名词上的有五处：三色屏→山色屏、墨水屏→墨水瓶、续航→讯号、KINEXON→Conexion，以及一处完全不可读的输出。整体字准确率可以很高，同时关键名词都是错的。
为什么语音转写总把专业术语改成日常词？
因为语音识别分两层，第二层在帮倒忙。第一层是声学模型，只负责听出音节，对同音字无法区分（「屏」与「瓶」在普通话里同音）。第二层是语言模型，在同音候选里挑「最像人话」的一个，依据是训练语料中的出现频率。「墨水瓶」作为日常词，频率远高于作为显示技术的「墨水屏」，于是第二层主动把正确的识别结果改成了错误的。结论：语言模型越通用，越倾向于把低频专业词「纠正」为高频日常词。 这是结构性问题，不是某个产品实现得不好。
给 Whisper 加术语表（initial_prompt）能解决专名错误吗？
实测效果远低于预期。在一场 28 分钟的会议上使用包含 26 个项目专业术语的 initial_prompt：前 5 分钟的 8 处错误只修正了 1 个，转写耗时增加 28%，并且改变了断句边界（长句被拆开、短句被合并）。原因是 initial_prompt 属于软提示而非强制词表，它只提供语境暗示，不改变第二层语言模型的频率倾向。断句变化带来一个额外后果：术语表不能中途修改，改了必须整段重新转写，否则所有基于段落位置的标注会全部失配。这一结论与多数教程的说法相反，以实测为准。
会议录屏里，哪些信息是音频里没有的？
型号、参数、规格、尺寸——凡是屏幕上写着的，说话人通常不会念出来。实测一场 28 分钟的 UWB 电子标签需求会：按画面变化抽帧（场景变化 36 帧 + 每 30 秒兜底 57 帧，去重后 85 帧），对这 85 帧做 OCR 得到 2957 个文本块，无一帧为空。其中包含四个产品型号 MT420A / MT750A / MT1020A / MT1330A 及尺寸 x85x13、x121x13——这些内容在全程音频中一次都没有出现过。只处理音频轨的纪要工具，结构上无法获得这部分信息。
画面 OCR 能纠正语音转写的错误吗？
能，但分两种情况。拉丁字母可以字形比对：实测中 Conexion 与屏幕上 OCR 置信度 0.99 的 KINEXON 字形相似度 0.67，可直接判定并留下证据链（来自第 180 秒的哪一帧、哪个词）。中文同音字则需要语义印证：「讯号」与「续航」字形毫无关系，屏幕上也没有对应中文，但同期画面显示 Battery life: up to 5 years (depending on use)，大模型据此将其与中文语境中的「取决于刷新能力」对应，判定说话人实际表达的是「续航能力」。字符串比对做不到第二种，把画面文本交给语言模型可以。
转写纠错应该自动改，还是标注出来让人确认？
应当分档处理，低置信度一律不自动替换。把猜测固化成事实比不纠错更危险：原始的错误一眼能看出有问题，改完之后反而没人会去核对了。实测采用三档——高置信度直接替换、中置信度替换并标注、低置信度保留原文并标红。一场会议的分布为高 4 处、中 2 处、低 4 处，低档四处（能耗→功耗、家鸡蛋→加基站等）全部保留原文未替换并在纪要中显式说明。
AI 自动剪辑会议片段，准确率如何？
实测可用，但不应让它直接产出成品。在一场 918 段、约三四万字的会议转写上，按主题「美团相关的内容」检索：分 7 批调用大模型共耗时 6.5 秒，命中 12 段，合并为 2 个片段共 35 秒。人工用关键词全文核对，应命中的 6 段一段未漏、零误报，并正确排除了字面假阳性（「其实在海外卖的很好的」中的「海外卖」并非外卖）。命中 12 段而字面仅 6 段，多出的是模型判断的铺垫与结论。关键在流程设计：让模型只返回时间戳、由人确认后再剪，而不是直接输出成品——前者可以逐条增删，后者只能整体接受或整体推翻。
本地处理和云端 SaaS，差别在哪？
差别在三处，都不是立场问题而是结构问题。数据：本地处理素材不出本机，云端需要上传。合规成本：国内提供云端服务需要 ICP 备案、等保、数据安全相关资质；本地软件不需要。边际成本：云端每个用户消耗一份算力，本地软件的边际成本接近于零，只需分发安装包。这三条共同决定了两类产品会走向不同的定价模式——云端倾向订阅制，本地软件可以买断。
会议录屏转写需要多长时间？需要显卡吗？
不需要独立显卡，但没有显卡时耗时约等于会议时长。实测配置为 medium 模型、CPU、int8 量化、8 线程，标准档约 1 倍实时（一小时会议约需一小时），快速档约 2–3 倍速但专业名词识别明显变差。单场会议可行，批量处理不可行——10 条会议约需 5 小时机器时间。
说话人分离在会议录屏上可靠吗？
只能做到「大致分得开」，不能做到「准确标出每句话的人」。会议录屏通常是混音单轨：两人抢话时该段只会归给其中一人，串音与回声也会导致声纹漂移。实测一场会议的前 52 段识别出 3 个说话人（25 / 4 / 23 段），人工核对问答交替清晰，与实际人数一致。但第一版实现曾把同样 52 段碎成 11 个「说话人」——原因是手写的 fbank 特征未对齐 kaldi 标准（缺少去直流、预加重 0.97、povey 窗、int16 幅度量级四处细节），任缺其一 embedding 质量都会明显下降。
提高语音转写准确率，是解决会议信息丢失的正确方向吗？
不完全是，因为多数信息丢失发生在「没人回去核对」这一步，而不是识别环节。典型情形：转写出错 → 纪要照抄 → 阅读者信任纪要 → 三个月后争议出现 → 此时才去翻录屏。原始录屏通常一直存在，问题在于核对一句话的成本：在没有定位手段的情况下，从一小时录屏中找到特定一句话需要数十分钟，因此没有人会为「看起来没问题」的句子付出这个成本。识别率从 98% 提升到 99% 无法改变这一点——它改变的是错误数量，不是核对意愿。真正降低信息丢失的做法是把核对成本降到秒级：为每一句转写保留精确时间戳，点击即跳转到视频对应位置。这也是「转写工具」与「可举证记录」在设计目标上的分界。
什么情况下不适合用这类工具？
至少四种情况不适合。一、会议不涉及敏感内容且不需要事后举证——免费的纪要工具足够，且额度通常很大。二、需要批量处理——无显卡时一小时会议需一小时。三、需要准确标注每句话的说话人——混音单轨做不到。四、材料是纯画面无人说话的监控录像——没有语音可转写。此外需要说明：针对「会议中屏幕上的参数未被记录」这一问题，在公开渠道未检索到相关抱怨，即技术上的空白与需求上的信号是两回事，不应混为一谈。
关于这些数据
全部来自 2026 年 9 月对真实项目会议录屏的实测，原始记录保存在开发仓库中。工具为会议证据链，Windows 本地运行。
关于竞品是否具备画面 OCR 能力：已查阅公开功能说明，未找到相关描述，但无法穷举。 如有确切信息，欢迎在页底留言指正，本页会更新。
相关页面：会议证据链