语音转文字为什么不准？原因与提高语音识别准确率的方法

语音转文字为什么这么不准？（叫语音输入也好，叫语音识别也好，背后是同一类引擎，问题也一样。）主要原因是，语音识别是一条链：麦克风、环境、嗓音、词汇、模型，转写结果的好坏取决于最弱的那一环。你说的是“权利”，出来的是“权力”；你报了经理的姓，屏幕上却是一种蔬菜；你停下来想了想，冒出一句你根本没说过的话。

每种情况的原因和解法都不一样。下面先讲症状、原因和解决办法，最后直接回答语音转文字算不算 AI。如果你其实是在挑工具，可以先看我们的 AI 语音输入软件推荐。

语音转文字为什么不准？常见原因对照表

语音转文字出错，基本是三种情况：音频不清楚；词是模型训练时很少见到的；或者缺少上下文，没法在读音相近的词之间做出选择。大多数抱怨都能归到其中一种，而看症状通常就能判断是哪一种。

识别不准，先查麦克风

语音转文字不准时，首先要排除的是音频质量：麦克风离嘴太远，录进去的环境声几乎和你的声音一样大，模型再强，也还原不了根本没录清楚的字。笔记本电脑的麦克风就挨着风扇和键盘；在人来人往的街上伸直胳膊举着手机，录下来的主要是街上的声音。

耳机麦克风也不一定更好。很多蓝牙耳机在麦克风开启时会切换到音质更差的通话模式，所以一副便宜的有线耳机，效果可能比昂贵的无线耳机还好。还要看看电脑到底在用哪个麦克风：Mac 的“听写”、Windows 的语音输入和 Word 的“听写”都可以选择麦克风，而房间另一头的摄像头麦克风，可能不知不觉就成了默认设备。

厂商们也是这么建议的。微软针对 Word“听写”的故障排除，建议使用耳机麦克风或外接麦克风，并减少背景噪音；Google 语音输入的帮助页面也建议换个安静的地方，插上外接麦克风。

听听软件听到了什么： 就在你平时语音输入的位置，用手机自带的录音 App（iPhone 上是“语音备忘录”）录二十秒，然后戴上耳机回放。如果你能听到洗碗机、抽油烟机或者自己的键盘声，识别引擎也听得到；这时挪一挪麦克风，比换个 App 管用得多。

说话方式怎样影响识别准确率

说话方式会影响准确率，因为识别引擎主要是从自然、流畅的语音里学出来的。话说到一半声音越来越小、吞掉句尾，或者一个字一个字地往外蹦，模型能用的信息都会变少。微软建议“说得更从容一些”，这话没错，前提是“从容”指的是完整，而不是慢：先把句子想清楚，再一口气说出来。

长时间停顿还有一个更奇怪的风险。2024 年一项题为“Careless Whisper”的研究中，Allison Koenecke 和同事发现，OpenAI 的 Whisper 生成的转写稿里，约 1% 含有音频里根本没有的整段短语或句子，而这类幻觉在沉默时间较长的说话人身上出现得格外多。大多数语音输入工具用的并不是这个模型，但这个教训同样适用。

关掉麦克风再想： 如果需要几秒以上才能想好下一句，就先停止语音输入，想好之后带着完整的句子重新开始。说到一半的残句会少很多，引擎也不会碰到需要它去填补的长时间沉默。

人名、术语和同音字为什么总识别错

语音转文字搞不定人名和行业术语，是因为识别引擎偏向训练时常见的词；而在“权利”和“权力”这类同音词之间做选择，要靠上下文，它却常常没有。手机键盘听到的只是孤零零的一句话。它不知道你是在回复章婧、谈 Q3 续约的事，只能挑最常见、读音又对得上的字（比如写成“张静”）。

罕见的词，就把你的词汇交给工具。专门的 AI 语音输入 App 都有自定义词典；Laxis AI 语音键盘里叫“自定义词典”，可以收录人名、缩写和技术术语。系统自带的语音输入大多没有这个功能，那就当场纠正：在 Mac 上点一下带蓝色下划线的词，查看备选项；在 iPhone 12 及更新机型上用美式英语听写时，说“change”再拼出正确写法；在 Pixel 上点一下听错的词。Google 表示，Pixel 的高级语音输入会根据你纠正过的词不断改进。

同音词需要另一种习惯。句子越长，模型的语言部分能用的线索就越多，所以说“我明天再发给你”，比单独说一个“再”更容易识别对。然后专门校对同音词、数字和否定词，这三个地方只要错一个字，意思就可能完全反过来。

口音和方言为什么识别更差

对某些口音和方言，语音转文字的准确率明显更低，因为大多数引擎背后的训练数据，过多地代表了某几种说话方式。最有名的证据是 2020 年发表在 PNAS 上、由 Allison Koenecke 牵头的一项斯坦福研究：Amazon、Apple、Google、IBM 和 Microsoft 的系统在 2019 年接受测试，对黑人说话者平均有 35% 的词识别错误，对白人说话者则是 19%。此后各家引擎都有改进，但还没有人证明这一差距已经消除。

在设置里选择最接近你说话方式的地区变体会有帮助，而且不花一分钱。更多做法见我们的带口音、中英夹杂时怎么用语音输入。

手机键盘用小模型，云端服务可以用大模型

手机上的语音输入通常在本机运行，语音模型必须塞进手机的内存和电量预算里，而云端服务可以运行大得多的模型。Apple 表示，iPhone 的听写在许多语言下都在设备上处理，不用联网。Google 表示，Pixel 的高级语音输入会把你说的内容留在手机上，除非你使用 Fix it 这类功能。相比之下，Windows 的语音输入用的是在线识别，由微软 Azure 语音服务提供支持。

本机运行并不等于更差。它更私密，在飞机上也能用，而且手机厂商正在加入本地语言模型来整理结果：在 iOS 27 中，Apple 就在 iPhone 17 Pro、iPhone Air 及更新机型上用这样一个模型，改进英文的拼写、标点和大小写。但这终究是取舍，也是同一句话在手机和笔记本上识别结果不同的原因之一。隐私方面的考虑，见我们的端侧与云端 AI 转写对比。

如果你觉得语音转文字越来越不准，多半不是技术倒退了，而是你那条链上有东西变了：新耳机、新的默认键盘、一次系统更新，或者一个离线语言包。在安静的房间里、离麦克风近一点重新测一次，看问题是跟着音频走，还是跟着软件走。

语音转文字算 AI 吗？

算。从机器学习的意义上说，语音转文字就是 AI：现代语音识别引擎是用大量录音和对应文字稿训练出来的神经网络，而不是一套人工写好的规则。OpenAI 的 Whisper 在 Alec Radford 等人 2022 年的论文中有详细介绍，它用从网上收集的 68 万小时音频训练而成。如今主流的语音输入引擎都是这样做出来的。

上面的大部分现象都能由此解释。模型根据学到的东西，为听到的声音预测最可能的词，所以常见说法识别得好，罕见的名字和代表性不足的嗓音就弱一些。它可能错得理直气壮，偶尔还会写出没人说过的话。识别引擎具体怎么工作，见我们的语音转文字原理解读。

但这不等于语音输入会替你写东西。基础的语音转文字只做转写，不是聊天机器人那种生成式 AI。不过界线正在变模糊，因为很多工具加了第二步，用语言模型来改你的话：Windows 的 Fluid dictation、Pixel 的 Fix it、Apple iOS 27 里的模型，以及 Laxis 的“口语清理”，都是这类做法。如果学校或公司的政策限制使用“AI”，先问清楚限制的是转写还是改写，再看看自己开了哪些附加功能。

系统自带的语音输入什么时候就够用

在安静的房间里发短消息、搜索、随手记点东西，系统自带的语音输入就够用，而且免费。先把麦克风、语言设置和停顿这几件事解决好。如果剩下的问题主要是人名、口头禅和啰里啰嗦的长句，一款 AI 语音输入 App 就值回票价了。

Laxis AI 语音键盘可以在电脑和手机上的各种 App 里使用，会去掉口头禅和重复，自动加标点，还会用你的“自定义词典”识别人名。局限是：它只在云端运行，需要联网，音频也会离开你的设备；免费版里，语音输入和会议共用每月 300 分钟的额度。14 天高级版试用不需要信用卡，你可以拿自己最头疼的识别错误去试试。

常见问题

iPhone 语音输入为什么这么不准？

通常是麦克风距离、背景噪音，或者它没学过的人名和术语造成的，而不是 iPhone 独有的问题。把手机拿近一点，用完整的句子说，难拼的英文名一个字母一个字母地拼出来。在 iPhone 12 及更新机型上用美式英语时，还可以说“change”，用语音纠正听错的词。

语音转文字为什么越来越不准？

语音转文字看起来越来越不准，通常是你的设置变了，而不是技术倒退了。常见原因有：换了新的蓝牙耳机、默认麦克风变了、系统更新、换了键盘 App，或者装了离线语言包。在安静的房间里把麦克风放近重新测试，看看问题是跟着音频走，还是跟着软件走。

语音转文字是 AI 吗？

是。现代语音转文字用的是机器学习：一个用大量录音和对应文字稿训练出来的神经网络，为听到的声音预测最可能的词。比如 OpenAI 的 Whisper，就是用 68 万小时的音频训练的。单纯的语音输入只做转写、不做写作，但现在很多工具会加一步 AI，把文字整理或改写一遍。

语音识别算生成式 AI 吗？

基础的语音识别不算聊天机器人那种生成式 AI，因为它转写的是你说的话，而不是创作新内容。不过界线正在变模糊：识别引擎是一个词一个词地生成文字的，偶尔会插入没人说过的短语；很多语音输入工具还加了语言模型来改写你的话。如果有政策限制生成式 AI，先查查自己开了哪些功能。

怎样提高语音转文字的准确率？

把麦克风挪近嘴边，减少背景噪音，用正常语速说完整的句子，并选对语言和地区变体。然后把你的常用词教给工具，有自定义词典就用上。这几步能解决大多数错误；如果人名和口头禅还是问题，可以试试专门的 AI 语音输入 App。

语音转文字为什么总把人名识别错？

因为识别引擎偏爱训练时常见的词，而大多数姓氏、品牌名和缩写都很少见。没有上下文，引擎就会用读音最接近的常见词来代替。在有自定义词典的工具里，把名字加进去就能解决；系统自带的语音输入大多没有这个功能，不过在 iPhone 和较新的 Pixel 上，一个字母一个字母地拼出英文名是管用的。