语音转文字

音频采集把声音变成一连串采样。特征提取把这些采样转换成模型能读取的表示形式，通常是频谱图。识别模型把这种表示映射为文字，有时会经过音素或子词token这一中间步骤。后处理把模型的输出变成人会写出的样子：标点、大小写、用阿拉伯数字表示的数字，在更好的工具中还有去除语气词和调整语气。

当人们说一个工具“使用AI”时，几乎总是指第三个阶段。日常使用中的大部分质量取决于第四个阶段，而这恰恰是营销宣传常常略过的阶段。

云端STT把音频发送到服务器，在那里运行一个大模型，再返回文字。它可以使用笔记本电脑装不下的模型，而且在任何能联网的设备上都能用。设备端STT在你自己的硬件上运行模型，所以音频从不离开电脑，可以离线使用，也没有往返传输。在Apple芯片上，准确度的差距已经缩小到这种程度：选择的依据主要是隐私和成本，而不是质量。

规格表上的“语音转文字”通常指原始模型。“听写”指整个体验，包括文字落在哪里。“转写”指处理文件。“流式”指文字在你说话时就出现，而不是说完之后。“本地”或“设备端”指音频留在本机。弄清楚每个词描述的是哪个阶段，就掌握了诚实读懂一份对比所需的大部分知识。

每台Mac都内置了语音转文字。Apple称之为“听写”，它会在光标所在的任何文本栏中输入文字。你大约一分钟就能设置好。

1. 01 选取苹果菜单 → “系统设置”，然后点按边栏中的“键盘”。
2. 02 前往“听写”，然后将其打开。
3. 03 点按“麦克风来源”旁边的弹出式菜单，选取你想要的麦克风。“自动”会让Mac使用你最有可能使用的设备来聆听。
4. 04 点按“快捷键”弹出式菜单，选取一个用于启动听写的快捷键。选取“自定义”可以创建列表中没有的快捷键。
5. 05 点按任意文本栏，按下快捷键，然后说话。
6. 06 完成后停止。如果30秒内未检测到语音，听写也会自动停止。

它受音频影响的程度超出大多数人的预期。NVIDIA公布了其开源模型Parakeet TDT 0.6B v3在八个英语测试集上的结果，同一模型在清晰的朗读语音（LibriSpeech test-clean）上的词错误率为1.93%，在会议录音（AMI）上为11.31%。

噪声也会改变这个数字。在同一份模型卡中，平均词错误率从清晰音频上的6.34%上升到噪声与语音一样响时的11.66%（信噪比为0）。安静的房间和靠近的麦克风是你能做的最便宜的准确率提升。

• 语音类型：朗读的句子比多人交叠说话的会议更容易识别。
• 背景噪声和音乐：噪声越接近你的声音音量，错误率越高。
• 口音和方言：Whisper模型卡报告了不同口音和方言下的性能差异。
• 语言：Whisper模型卡报告，训练数据较少的语言准确率较低。
• 词汇：Parakeet模型卡警告，模型词汇表之外的词不太可能被识别。

语音转文字要么在你的设备上处理，要么发送到服务器，你通常可以查到是哪一种。对于Apple的听写，答案写在设置中。对于其他任何工具，权限列表会告诉你哪些App能听到麦克风。

1. 01 选取苹果菜单 → “系统设置”，然后点按边栏中的“键盘”。
2. 02 前往“听写”，阅读“听写”开关下方的文字。它会说明你的语音输入和听写文本是否在你的设备上处理。
3. 03 前往“系统设置 → 隐私与安全 → 麦克风”，查看每个请求过使用麦克风的App。
4. 04 在该列表中关闭任何你不想让它聆听的App。
5. 05 对于第三方工具，请阅读其隐私政策，了解音频在哪里处理。“麦克风”列表显示的是谁可以聆听，而不是音频去了哪里。