AI 怎么把带方言口音的录音转成文字
录音里一口方言,转出来全是错字。讲清转写前怎么处理音轨、语言和热词怎么选、哪些词必须回听校对,以及怎么验。
口音重的人说话,转写工具最容易错在三类地方:声母韵母和普通话对不上、方言词被当成同音的普通话词、说话人连着说中间不停顿。用同一套普通话模型硬转,出来的稿子常常每个字都认识,连起来读不通。想让结果能用,得在转写前后各加一道工序:转写前把音频处理干净并告诉模型这是什么口音,转写后按词回听校对。
入口在哪
能转写的入口主要有三类,能力差别很大。
- 手机或电脑自带的录音转文字:方便,但多数只按普通话识别,方言支持取决于系统和版本。
- 会议软件和笔记软件的转写:适合多人会议,会自动分说话人,口音支持同样看具体产品。
- 专门的转写服务或大模型接口:可以选语言、加自定义词表、写提示词,处理方言最灵活,按分钟或按字数计费。
这三类里只有第三类能让你明确指定这是哪种方言,或者要求按普通话书面语输出。找不到语言选项时,在设置或转写面板里搜「语言」「识别」最快。
具体步骤
- 先看原始音轨。采样率太低、有明显回声、两个人同时说话的段落,先单独截出来,能重录就重录。
- 把长录音切成十到十五分钟一段,按说话人或话题切。整段两小时一起提交,出错后重跑一遍太贵。
- 在转写工具里选对语言或方言。有的产品把方言放在中文的子选项里,有的直接列成独立语言。
- 填自定义词表:人名、地名、店名、专业词,以及这段里反复出现的方言词。词表控制在几十个以内。
- 加一句提示词说明场景,例如这段是长辈用方言讲家里的事,请按普通话书面语输出,拿不准的词保留原音并用括号标出。
- 跑完先看标点。没有标点的稿子没法校对,先让工具补标点、分段,再进入人工环节。
- 按词回听校对。只听三类位置:数字、否定词、专有名词。其余地方通读一遍即可。
几个坑
- 把方言词直接音译成普通话同音字。落雨被写成洛雨,读起来像人名。
- 语言选错,整段被当成另一种方言或外语,输出看着通顺但意思全变。
- 热词表塞上百个词,模型反而更容易把正常词硬套成词表里的词。
- 多人对话不分轨,校对时没法判断这句话是谁说的,改着改着就串了。
- 拿机器翻译代替转写。方言到普通话是转写加意译两步,直接翻译会把口语语气一起抹掉。
- 把带隐私的录音整段上传到不明来源的免费工具,事后无法撤回。
怎么验证
- 抽十分钟逐字对照,算出错字比例。日常整理能接受的标准通常在百分之五以内,要引用就得再低。
- 把金额、时间、地址、人名单独列出来,逐个回听原音确认。
- 用第二个工具跑同一段,两版对照,差异处就是最可疑的地方。
- 让模型把没把握的词标出来,再人工确认。标不出来的稿子不要直接引用。
- 通读一遍成稿,检查有没有前后人名不一致、同一件事两种说法。
常见问题
工具完全不支持这种方言怎么办
两条路:一是找一位会这方言的人把关键段落口头复述成普通话再转写,二是先按最接近的方言或普通话转,再逐句人工改。前者更准,后者更省人。
要不要直接买专业转写服务
看三个条件:时长是否超过几小时、是否多人需要分说话人、是否需要时间戳。三条占两条以上,付费服务的省事程度通常超过自己折腾。
转写稿能直接拿去引用吗
不能。数字、否定词、人名是最容易错的三类,必须回听。公开引用前还应让被访者确认关键表述。
一句话总结:方言转写的准确率不取决于模型多强,而取决于你有没有在转写前说清口音、在转写后按词回听。