返回博客
最佳实践•2026-10-07•约 9 分钟 阅读

通话录音转文字:电话转写为什么不准,5 种方案怎么选

通话录音转文字:电话转写为什么不准,5 种方案怎么选
TL
Team Laxis
Laxis 团队 @ Laxis

把一段网络研讨会录音交给任何一款现代转写工具,结果几乎挑不出毛病。把上周二的一通销售电话交给同一款工具,一半的姓氏是错的,报价数字也走了样,中间某一段,两个人好像成了同一个人。同样的软件、同样的说话人,结果却天差地别,而原因几乎和模型无关。

通话转写常被当成普通转写的一个分支,其实它更像一门独立的学问。对话一旦走电话线路,而不是直接进麦克风,你对音质、说话人区分和文件存放位置的种种默认假设就全都变了。想了解语音转文字的一般原理,可以看我们另一篇转写到底是怎么做的。这篇只讲电话会出问题的那部分。

为什么电话录音转文字比会议录音难

先看电话网络丢掉了什么。传统电话是窄带的:音频按 8 kHz 采样,也就是说,大约 3.4 kHz 以上的声音还没到录音设备就被丢弃了。这段频带并不是可有可无的点缀。以英语为例,s 和 f 的区别就在这里,th 和 v 也靠它区分,齿擦音要靠这段频带里的细节,才能分清 fifteen 和 fifty。按 16 kHz 采样的宽带音频保留了这段频带,电话线路却没有。

现代语音识别系统绝大多数用宽带音频训练,遇到 8 kHz 的输入,大多会先做上采样。上采样只是让文件格式对上了,被删掉的内容补不回来。重建出来的那些频率里没有任何信息,因为原本就没有。

后果会体现在数字上,这也是公开基准测试总是误导人的原因。只改变采样率、其他条件完全不变的对照研究发现,窄带音频本身就会拉低准确率。真实通话还会叠加编解码压缩、移动网络、串音和背景噪声;常有报告称,实际生产环境中呼叫中心音频的错误率是排行榜数字的好几倍。厂商的基准测试几乎都是在干净的宽带录音上跑出来的,所以对电话音频来说,任何标称准确率都只能当上限看,不能当预测。

压缩又是一层损失。G.711 至今仍是电话网络的主力编解码器,它本身就是按窄带设计的。G.722、Opus 和 EVS 能传输宽带甚至更高质量的音频,听感明显更好,但前提是通话的每一段都支持。只要有一个人用手机拨入,整通电话的音质就会被拉到最差那一端的水平,因为网络必须转码成两端都能识别的格式。

30 秒就能做的诊断:用任意一款音频编辑器打开一段通话录音,切换到频谱视图。如果能量在 3.4 kHz 附近戛然而止,变成一条平线,说明这是窄带音频,换多少家转写服务商都解决不了。要解决,得改变通话的承载方式:用 VoIP 线路代替手机线路,用耳机代替免提。

单声道还是双声道:决定说话人能不能分清

通话音频和会议音频的第二个区别,在于你最后拿到几条音轨。这一点比大多数采购方意识到的更重要。

一通电话有两路。如果录音把两路分开录下来,比如来电方在左声道、坐席在右声道,那么区分说话人就根本不是机器学习问题,而是文件本身写明的事实。声道一上的每个词都属于一个人,声道二上的每个词都属于另一个人,即使两人同时说话,转写稿的说话人标签也不会错。

把两路混成一条单声道音轨,这份确定性就没了。软件只能单凭声音区分说话人,靠的是音高、音色和说话节奏。在干净的宽带音频上,这样做效果还不错。到了窄带电话线路上,用来区分不同嗓音的频率恰恰已经被滤掉,效果就差得多。偏偏电话里最容易出现让这种方法失灵的情形:看不到对方,人们互相打断的次数比面对面交谈多得多。

正因为如此,呼叫中心平台多年来一直默认双声道录音。而不少企业电话系统和大多数消费级录音 app,给你的仍然是一个混合后的文件。在断定某款转写工具处理不好你的通话之前,先看看你给它的是哪一种文件。

PSTN、VoIP 和会议平台:音质取决于最弱的一环

企业通话走三种路径,录出来的音质也分三档。

PSTN 和手机网络是传统路径:窄带,而且一直是窄带,手机网络还要再叠加一层自己的压缩。这是最低水平。VoIP 可以好得多,两个软电话之间用 Opus 或 G.722 通话,是真正的宽带;但前提是两端以及中间经过的每一跳都协商使用宽带编解码器,混合通话就会降级。Zoom、Google Meet 和 Microsoft Teams 这类会议平台,只要所有人都从 app 加入,就是端到端宽带,这才是会议转写稿读起来比通话转写稿好得多的真正原因。

最后这一点很有现实意义。一场 Teams 会议,6 个人用笔记本电脑入会,1 个人用电话拨入,结果不只是多了一个识别差的说话人:拨入的那个人,转写质量往往明显比其他人差,他和别人同时说话时,说的内容很可能直接丢失。如果某位关键干系人总是用电话入会,在依赖这份记录之前,最好先心里有数。

通话录音转文字的 5 种方案

这个问题没有标准答案,只有取舍。选哪种,主要看转写稿最终要放到哪里,而不是哪个引擎这个季度的准确率略高一点。

方案电话音频的准确率成本结构转写稿存到哪里适合场景
电话系统或 CRM 自带的通话功能尚可。通常是单声道,很少针对你的业务词汇优化包含在席位费里,但有门槛。HubSpot 只转写用 Sales Hub 或 Service Hub 的 Professional、Enterprise 席位拨打的电话;Starter 每个账号每月含 500 分钟通话时长,免费账号几乎没有或完全没有自动关联到联系人或交易记录销售代表本来就在 CRM 里拨号
电话或 CPaaS API上限最高。引擎由你选,也可以要求双声道按量计费,层层叠加。以 Twilio 为例,转写按分钟计费,录音和通话本身分别单独计费你写代码放到哪里,就在哪里有工程师团队,需求比较特殊
会议助手app 内通话表现好,电话拨入的那一路较弱按用户按月收费,常带免费额度工具自己的工作区,支持的话还能同步到 CRM大部分通话在 Zoom、Meet 或 Teams 上
呼叫中心套件电话场景下最强。默认双声道,针对窄带音频优化很贵。Five9 语音版标价约每并发用户每月 $159,最少 50 个席位;Genesys Cloud CX 4 标价 $240平台内,通话中还有实时坐席辅助你要处理的是大量通话,而不是会议
人工或人机结合服务录音质量确实很差时,准确率最高单通成本最高,交付也最慢交付一个文件,由你自己分发这通电话会被法院或监管机构查阅

以上为 2026 年公布的标价;尤其是呼叫中心合同,量大时通常能谈到远低于标价的价格。

大多数团队在准确率那一列上想得太多,在转写稿存到哪里那一列上想得太少。呼叫中心套件在技术上是电话场景的正解,但对一家 12 人、每周在 Google Meet 上开 4 场需求挖掘会的公司来说,买它就是买错了。这种规模的团队,会议助手路线通常更省钱,也更能做到真正要紧的那件事:产出能不能进 CRM。Laxis AI 会议助手这类工具就在这条路线上:能在 Zoom、Google Meet 和 Microsoft Teams 上记录对话,支持上传在别处录好的 MP3、WAV 和 M4A 通话录音,商业版还能把摘要和待办事项推送到 HubSpot 或 Salesforce。实话实说,这一类工具都有同一个局限:它们是围绕会议和对话设计的,不是为呼叫中心的通话量设计的。如果你每天要转写 4,000 通电话,就去买专为此设计的平台。如果你正在这一类里挑工具,可以看这份更完整的 AI 会议记录工具盘点。

实时转写还是通话后转写

实时转写和通话后转写看起来是同一个功能,实际表现完全不同。

流式转写在话音落下一两秒内就返回文字,实时坐席辅助、合规提醒和屏幕翻译都靠这一点才能实现。代价是准确率。流式系统必须在听完整句话之前就先给出猜测;虽然后续音频到来时会修正前面的词,但始终拿不到完整的上下文。通话后处理就没有这个问题:手里有整段录音,前后文都能参考,通常准确率更高,每分钟的成本也更低。

更好的做法是别把它当成二选一。实时输出用来做那些必须在通话中完成的事;通话后输出用来存档、写摘要、记 CRM,以及任何事后会有人看的内容。很多平台两种都支持,同一通电话完全可以既有一份粗略的实时文字流,又有一份干净的最终转写稿。

比换服务商更划算的两项低成本升级:一是加载自定义词汇表,把你的产品名、竞品名、SKU 格式,以及销售总念错的那些姓氏都放进去。专有名词是电话转写错得最明显的地方,没有提示,哪个模型都猜不对。二是让所有人都戴上耳机。在墙面坚硬的房间里开免提会产生回声,而回声干扰说话人区分的速度比任何口音都快。

转写稿能不能自动进 CRM,才决定值不值

关于通话转写软件,有个不太中听的事实:准确率是人人都会评估的指标,但真正决定这笔采购能否回本的是工作流。

一份躺在没人打开的工具里的转写稿,毫无价值。一份关联到正确联系人和正确商机、能和这个客户的其他历史记录一起搜索的转写稿,会改变一笔交易的推进方式。两种结果之间的差距,说到底是数据怎么流转的问题,值得在比较引擎之前先想清楚。

决定差别的有三点。第一,转写稿必须关联到记录,而不只是存起来:联系人、公司和在谈的商机,都要根据电话号码或日历邀请自动匹配。第二,必须提炼成能读的内容,因为没人会为了找一句客户异议去翻 40 分钟的逐字稿;真正有人用的,是一份摘要和一张写明负责人的承诺清单。第三,必须不经人工就自动到位,因为任何依赖销售记得手动粘贴的流程,到第三周就会悄悄停摆。

最后这条要求,恰恰是大多数方案栽跟头的地方,也是 CRM 自带通话功能和能同步 CRM 的助手实际表现好于其准确率分数的原因。以 Laxis 为例:系统会提取带负责人的待办事项,商业版还能把结果同步到 HubSpot 或 Salesforce,全程不需要有人打开转写稿;处理在云端完成,而不是在你的设备上,下决定之前,值得对照一下你们公司的政策。

准确率该怎么预期,怎样低成本测试

别凭一个公开的准确率数字下单。拿 5 段真实录音,包括线路很差的那段、口音很重的那段、客户采购负责人和你们的 AE 抢话的那段,放进每一款入围工具里跑一遍。只数那些真会让你吃亏的错误:数字错了、名字错了、谁答应了什么张冠李戴。语气词里的错别字只是噪音。

预期也要相应调整。干净的 VoIP 通话、双方都戴耳机,好的系统能达到和会议录音差不多的水平。手机通话有路噪,说话人的口音模型又没怎么听过,转写稿可以用来回忆内容,但不能直接引用。这两种情况可能在同一天出现在同一家服务商身上,所以服务商没法给你一个单一的准确率数字并真正为它负责。

有一件事没得商量:在这一切开始之前,先把录音同意问题处理好。各地规则不同,处罚也是实打实的。我们的通话录音指南讲了具体操作和同意规则,包括美国那些要求所有通话方都同意的州。

总结

通话转写真正值得关注的变化,并不是模型变好了(虽然模型确实变好了),而是瓶颈转移了。过去十年的大部分时间里,难点是把字转对。现在的难点,是电话网络几十年来一直在丢弃的那段频率,以及录音怎么采集的一系列决定:单声道还是双声道,app 入会还是电话拨入,宽带还是网络临时协商出来的随便什么。做这些决定的,是配置电话系统的人,而且通常没人提到转写。

所以这是少有的情况:最便宜的改进不需要花钱买东西,只需要和负责你们电话系统的人谈一次,问两个问题:能不能把两路通话分开录音?能不能让更多通话走宽带?这两个问题解决了,几乎任何一款合格的引擎都够用。

常见问题

什么是通话转写?

通话转写是指把电话或 VoIP 通话转换成可搜索的文字,通常会标注每位说话人,并给每一行加上时间戳。它和普通音频文件转写有一个重要区别:声音经过了压缩过的电话信道,拿到手时可能是一段混合录音,也可能是分开的两路。

电话录音转文字准确率有多高?

会明显低于厂商公布的数字,因为那些数字来自干净的宽带录音。窄带音频本身就会拉低准确率,真实通话还叠加了压缩、串音和噪声,所以电话音频的错误率可能是标称数字的好几倍。双声道录音和自定义词汇能把其中很大一部分找回来。

电话能自动转成文字吗?

能。大多数企业电话系统、自带通话功能的 CRM 和呼叫中心平台,只要开启录音就会自动转写;如果你基于电话 API 开发,还能实时把文字流式传回来。实际限制通常在授权而不在技术:很多方案只在付费席位档位或每月分钟额度内提供转写。

销售电话怎么转写最好?

选一条不用任何人复制粘贴、就能把转写稿放到正确 CRM 记录上的路径。具体来说,要么用自带 CRM 记录功能的外呼系统;要么对在 Zoom、Google Meet 或 Teams 上开的会,用一款能同步到 HubSpot 或 Salesforce 的会议助手。原始准确率远没有销售会不会真的打开转写稿重要。

通话可以实时转写吗?

可以,不过实时转写和通话后转写其实是两种不同的产品。流式系统一两秒内就返回文字,并随着后续音频修正前面的词;它看不到接下来的内容,准确率因此有上限。通话结束后再处理,能用上整段录音,通常准确率更高,成本也更低。

通话转写稿应该存在哪里?

存在用得到它的人本来就在用的地方。对营收团队来说,就是 CRM:关联到联系人和在谈的商机上,而不是单独放在另一个工具里。受监管的团队还会再加上保留期限和访问权限控制。一份在写跟进邮件时谁都找不到的转写稿,只是花了钱,没有省下钱。

相关产品

Laxis 会议助手

今天就让笔记自动生成。

  • Zoom、Google Meet、Teams 和线下会议都能记,无需机器人入会
  • AI 摘要、待办和跟进邮件,支持 60 多种语言
  • Mac、Windows、iPhone、Android 全平台,有免费版

免费开始,无需绑卡。

了解更多 ▷