主题
音频转文字
两小时的会议录音，要整理成纪要。人工听打大概要四小时，转写几分钟就出结果——前提是录音质量过得去。
打开「音频转文字」看到的初始界面。由 AI 模型处理，按次消耗积分（以页面标签为准）。AI 生成的结果请自行核实。
先看录音，别急着转
同一个模型，有人拿到的结果几乎不用改，有人满屏错字。差别通常不在模型，在喂进去的音频。
三件事决定识别率：
信噪比——空调声、键盘声、隔壁说话，会和人声抢频段。人耳能自动忽略，模型不能。这一项影响最大。
编码质量——过度压缩的音频（比如转存的微信语音）高频信息已经丢了，而中文的辅音（s、sh、f、x）恰恰集中在高频。丢了高频，「四」和「十」就分不开。
说话方式——多人抢话、远距离拾音、语速过快都会显著拉低准确率，且事后无法补救。
正确的处理顺序
视频要先提取音轨。 直接把视频丢进去，工具会先做一次内部转码，参数你控制不了。先用视频提取音轨拿到干净音频。
噪声大的先降噪。 用音频降噪，这一步必须在转写之前。
过长的先切分。 三小时一次性转写，中途出问题得整体重来，也很难定位是哪一段错的。按议题切开，出错只需重跑一段。
输出格式
纯文本——只要内容，拿去二次加工。
带时间戳 / SRT——每句话带时间。回原音频核对只要几秒，这是它最大的价值；同时也是做视频字幕的输入。
不确定就选带时间戳的——事后想核对时不用重跑。
校对按这个优先级
别从头读到尾，按错误率和后果排：
- 数字和金额——错误率最高，后果最严重
- 人名、公司名、专业术语——模型没见过的词会被替换成读音相近的常见词
- 否定词——「不」「没」这种单音节字最容易被吞，而一旦吞掉整句意思反转
这三类扫完，剩下的错字大多不影响理解。
一个务实的判断
别默认「先转写再修」一定比重新整理快。
录音条件很差时，转写结果可能需要逐句对照音频修改，耗时远超重新听一遍做笔记。
判断方法：随机抽一分钟结果读一遍。需要改的地方超过三处，后面的内容大概率不值得靠修改来救。