通话转录：如何把电话与 VoIP 通话转成文字

把一段网络研讨会录音丢进任何一款现代转录工具，结果几乎无可挑剔。把上周二那通销售电话丢进同一款工具，一半的姓氏是错的，价格也走了样，而在中间某处，两个人似乎变成了同一个人。同样的软件，同样的说话人，结果天差地别——而原因几乎和模型无关。

通话转录常被当成普通转录的一个子集，其实它更接近一门独立的学问。一旦对话走的是电话线路，而不是直接进入麦克风，你习以为常的那些关于音质、说话人分离以及文件存放位置的假设，全都会随之改变。如果你想了解把语音变成文字的一般原理，我们另写过一篇转录究竟是怎么运作的。这篇讲的是电话通话会弄坏的那部分。

为什么电话通话比会议更难转录

先看网络扔掉了什么。传统电话是窄带的：音频以 8 kHz 采样，这意味着大约 3.4 kHz 以上的一切，在到达录音设备之前就已被丢弃。这段频带不是装饰。（以英语为例）s 和 f 的区别就在这里，th 与 v 靠它分开，齿擦音也要靠它携带足够的细节，才能分清 fifteen 和 fifty。以 16 kHz 采样的宽带音频保留了这段频带，电话线路则没有。

现代语音系统绝大多数是用宽带音频训练的，当你喂给它们 8 kHz 的输入时，大多数会先做上采样。上采样让文件的格式对上了号，却无法把被删掉的东西补回来。重建出来的那些频率里没有任何信息，因为信息从一开始就不存在。

后果会体现在数字上，这也是公开基准测试总在误导人的原因。只改变采样率、其余一切不变的对照研究发现，窄带音频本身就会损失准确率。真实通话还会在此之上叠加编解码压缩、移动网络、串音和背景噪声，而生产环境中呼叫中心音频的错误率，常被报告为排行榜数字的数倍。厂商的基准测试几乎总是在干净的宽带录音上跑出来的，所以对电话音频而言，任何标称准确率都应被看作上限，而不是预测。

压缩又叠加了一层。G.711 至今仍是电话网络的主力编解码器，它在设计上就是窄带的。G.722、Opus 和 EVS 承载宽带乃至更高带宽的音频，听起来明显更好，但只有在通话的每一段都支持它们时才有用。只要有一位参与者用手机拨入，整通对话就会被拉低到最低公分母，因为网络必须转码成两端都能理解的格式。

一个 30 秒就能做完的诊断。用任意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，那你面对的就是窄带音频，换多少家转录供应商都解决不了。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——才能解决。

单声道还是双声道，以及它为什么决定一切

通话音频与会议音频的第二个区别，在于你最终拿到几条音轨，而这一点比大多数买家意识到的更重要。

一通电话由两路组成。如果你的录音把它们分开捕捉——来电方在左声道，坐席在右声道——那么说话人分离就根本不是一个机器学习问题，而是文件本身的一个事实。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，转录出来的标签也是对的。

把这两路混成一条单声道音轨，你就把这份确定性扔掉了。此时软件只能单凭声音来区分说话人，依靠的是音高、音色和节奏。在干净的宽带音频上，这样做效果还算不错。而在窄带电话线路上，恰恰是那些用来区分不同嗓音的频率已经被滤掉了，效果就要差得多——偏偏电话对话里充满了最容易让它失效的情形，因为没有视觉线索，人们打断彼此的频率远高于面对面交谈。

正因如此，联络中心平台多年来一直默认以双声道录音。而许多企业电话系统和大多数消费级录音应用，交给你的仍然是一个混合后的文件。在断定某款转录工具处理不好你的通话之前，先检查一下你喂给它的是哪一种。

PSTN、VoIP，以及链条中最薄弱的一环

承载企业通话的路径有三条，它们产出的录音质量也各不相同。

PSTN 和手机网络是传统路径：窄带，而且稳定地窄带，手机还会在此之上再加一层自己的压缩。这是底线。VoIP 可以好得多，因为两个软电话之间通过 Opus 或 G.722 进行的通话是真正的宽带，但前提是两个端点以及中间的每一跳都协商使用宽带编解码器。混合通话会回落。Zoom、Google Meet 和 Microsoft Teams 这样的会议平台，在所有人都从应用加入时是端到端宽带的，这才是会议转录读起来比通话转录好得多的真正原因。

最后这一点有很实际的意义。一场 Teams 会议，六个人用笔记本电脑参会、一个人用拨入号码参会，结果并不只是多出一个效果差的说话人——它往往意味着，拨入的那位参与者的转录质量明显比其他人差，而他和别人同时说话时说的内容很可能会丢失。如果某位利益相关方总是用电话参会，那么在你依赖这份记录之前，最好先了解这一点。

拿到通话转录的五种方式

这里没有唯一答案，只有权衡；而哪种合适，更多取决于转录文本最终需要落到哪里，而不是哪个引擎这个季度在准确率上略胜一筹。

以上为 2026 年公布的标价；尤其是联络中心合同，在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“转录文本落在哪里”那一列上想得太少。联络中心套件在技术上是电话场景的正确答案，但对一家每周在 Google Meet 上开四次探索性通话的十二人公司来说，是错误的采购。对这种形态的团队，会议助手路线通常在成本上胜出，也在真正要紧的那件事上胜出：产出能不能进到 CRM。Laxis AI 会议助手这类工具就在这条赛道上：在 Zoom、Google Meet 和 Microsoft Teams 上捕捉对话，接受从别处录制的通话所上传的 MP3、WAV 和 M4A 文件，并在 Business 方案上把摘要和待办事项推送到 HubSpot 或 Salesforce。坦白的保留意见，和这一类里的每一款工具都一样：它是围绕会议和对话打造的，而不是围绕联络中心的通话量，所以如果你每天要转录四千通电话，就去买为此而设计的平台。如果你正是在这一类里挑选，这里有一份更完整的 AI 会议记录工具盘点。

实时转录，还是等所有人挂断之后

实时转录和通话后转录看起来是同一个功能，实际表现却完全不同。

流式转录在话音落下一两秒内就返回文字，正是这一点让实时坐席辅助、合规提醒和屏幕翻译成为可能。代价是准确率。流式系统必须在听到句子结尾之前就给出一个猜测；虽然它会随着更多音频到来修正前面的词，却永远享受不到完整上下文这种奢侈。通话后处理则可以。它拥有整段录音，既能往前看也能往后看，通常准确率更高，每分钟的成本也更低。

有用的做法是：别再把它当成二选一。实时输出用于那些必须在通话进行中发生的事；通话后输出用于存档、摘要、CRM 记录，以及任何会有人事后阅读的东西。很多平台两者都做，同一通电话完全可以既产出一份粗略的实时流，又产出一份干净的最终转录。

两项比换供应商更划算的廉价升级。用你的产品名、竞品名、SKU 格式，以及销售代表总是念错的那些姓氏，加载一份自定义词汇——专有名词是电话转录失败得最显眼的地方，没有帮助，任何模型都猜不对。然后让所有人都戴上耳机。在四壁坚硬的房间里用免提会引入回声，而回声扰乱说话人分离的速度比任何口音都快。

决定这一切是否值得的那部分

关于通话转录软件，有一个令人不太舒服的事实：准确率是所有人都会评估的东西，而工作流才决定这笔采购能否回本。

一份躺在没人打开的工具里的转录文本毫无价值。一份挂在正确联系人、正确商机上，能和该客户其余历史记录一起被搜索的转录文本，则会改变一笔交易的推进方式。这两种结果之间的差距是一个管道问题，值得在比较引擎之前先回答。

决定差别的有三件事。转录文本必须挂到记录上，而不只是被存起来——联系人、公司和进行中的交易，都根据电话号码或日历邀请自动匹配。它必须被压缩成可读的东西，因为没人会为了找一个异议去翻一份四十分钟的逐字记录；真正被用到的，是一份摘要和一张写明负责人的承诺清单。它还必须无需人工步骤就能到位，因为任何依赖销售代表记得去粘贴点什么的工作流，到第三周就会悄无声息地停摆。

最后这一条要求，正是大多数配置栽跟头的地方，也是 CRM 自带通话功能和能同步 CRM 的助手表现超出其准确率分数的原因。以 Laxis 为例，它会抽取带负责人的待办事项，并在 Business 方案上把结果同步到 HubSpot 或 Salesforce，没有人需要打开转录文本；处理是在云端而不是在你的设备上进行的，这一点值得在你下决心之前对照自己的政策核实一下。

该有什么预期，以及如何低成本地摸清楚

别凭一个公开的准确率数字下单。拿五段真实录音——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。数一数那些真正会让你付出代价的错误：数字错了、名字错了、谁同意了什么被张冠李戴。填充词里的错别字只是噪音。

相应地调整预期。在一通干净的 VoIP 通话里、双方都戴着耳机时，好的系统能达到和会议音频相当的水平。在一通带着路噪、说话人口音又是模型很少听过的手机通话里，转录文本可以拿来回忆内容，却不能拿来直接引用。这两种情况可能在同一天出现在同一家供应商身上，这也正是为什么供应商无法给你一个单一的数字并真正为它负责。

有一件事不是可选项：在这一切开始运转之前，先把同意问题处理好，因为规则因司法辖区而异，处罚也绝非纸上谈兵。我们的通话录音指南讲了实际操作方法和同意规则，包括美国那些要求所有参与方都同意的州。

这对你意味着什么

通话转录真正有意思的变化，不是模型变好了——虽然它们确实变好了——而是瓶颈转移了。在过去十年的大部分时间里，难点是把词转对。现在的难点，是电话网络几十年来一直在丢弃的那段频率，以及一系列关于录音如何被捕捉的决定——单声道还是双声道，应用还是拨入，宽带还是网络能协商出来的随便什么。这些选择是由配置电话系统的人做出的，而且通常没人提到转录。

这就让它成了一个难得的局面：能拿到的最便宜的改进不是一笔采购，而是和负责你们电话系统的人谈一次，问两个问题：我们能不能把两路分开录音？我们能不能让更多通话走宽带路径？把这两个问题解决了，几乎任何一款称职的引擎都够用。

常见问题

什么是通话转录？

通话转录是把电话或 VoIP 对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。它和转录普通音频文件有一个重要区别：声音经过了一条压缩过的电话信道，到达时可能是一段混合录音，也可能是分开的两路。

电话音频上的通话转录准确率有多高？

预期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。窄带音频本身就会损失准确率，真实通话又在此之上叠加了压缩、串音和噪声，所以电话音频的错误率可能比标称数字高出数倍。双声道录音和自定义词汇能把其中很大一部分挽回来。

能自动转录电话吗？

能。大多数企业电话系统、自带通话功能的 CRM 以及联络中心平台，只要开启录音就会自动转录；如果你基于电话 API 进行开发，它们还能实时把文字流式传回。实际的限制通常在于授权而非技术，因为很多方案把转录放在付费席位档位或每月分钟额度之后。

转录销售电话的最佳方式是什么？

选那条不需要任何人复制粘贴、就能把转录文本落到正确 CRM 记录上的路径。实际上，这意味着要么用一款自带 CRM 记录功能的拨号器，要么对在 Zoom、Google Meet 或 Teams 上进行的通话，使用一款能同步到 HubSpot 或 Salesforce 的会议助手。原始准确率远不如销售代表会不会真的打开它来得重要。

通话转录能实时进行吗？

能，不过实时转录和通话后转录实际上是两种不同的产品。流式系统在一两秒内返回文字，并随着更多音频到来修正前面的词，这限制了它们的准确率，因为它们看不到接下来的内容。通话结束后的处理能用上整段录音，通常准确率更高，成本也更低。

通话转录文本应该存在哪里？

存在需要它们的人本来就在工作的地方。对营收团队来说，这意味着 CRM：挂在联系人和进行中的商机上，而不是停放在一个单独的工具里。受监管的团队还会在此之上叠加保留期限和访问控制。一份在写跟进邮件时谁都找不到的转录文本，是花了钱，而不是省了钱。