第三篇　转写接入：ASR 真实使用记录

第二篇忙活完，录音已经能稳稳地上传到存储桶里，预处理也把格式统一了。老板每天路过我工位都要问一句：“那个转字的，啥时候能用？”本篇就是回答这个问题的——把录音变成文字，也就是整个工具最核心的一环：语音识别 ASR 的真实接入过程。

说“真实”，是因为我不打算按官方文档的顺序复述。哪些步骤先上、哪个参数填错会翻车、实时转写的字幕在会议室投屏上要调多大字号才看得清，都是我们拿一个个会议试出来的。本篇共四节，建议按顺序读：

  • 3.1 离线转写：传完文件等结果的用法。适用于绝大多数开完会才出纪要的场景，附回调链路设计和首跑失败的排查记录。
  • 3.2 实时转写：开会时字幕同步滚动的用法。适合需要当场确认决议的场合，效果震撼，成本和坑也更多。
  • 3.3 识别结果解读：时间戳、分段与置信度。转写返回的不只是文字，这三个字段决定了纪要能做到多细。
  • 3.4 效果调优：术语词表与口音问题。错别字怎么越来越少——靠的是热词表和迭代，而不是运气。

转写结果要变成可执行的待办和决议，还得用大模型再做一层提取，那部分可以参考我另一本 AI 智能体开发实战。

延伸阅读