没有人说过九月：每份 AI 会议纪要都需要的九分钟复核

那份摘要有三段，条理清晰，只有一句话是错的：团队已同意在九月上线迁移。

没有人同意过。有人说的是，如果供应商及时回复，九月大概可以——一句条件句，在另一个话题的岔路中只说了一次。模型删掉了条件，把猜测升格为决定，这份纪要发给了十一个不在会议室里的人。其中两个人开始按九月排期。

这件事一点也不离奇。它是自动摘要系统中被记录得最清楚的行为之一，在研究文献里有专门的名字，而且不会因为下一代模型更大就消失。本文给你三样东西：摘要偏离真实发言的七种固定方式、一套能全部抓住它们的九分钟复核流程，以及在会议中说出口就能缩短复核时间的那几句话。

要点速览

• 在 TofuEval 基准(NAACL 2024)中，真实市议会会议转录稿的生成摘要有 30.4% 至少含一处事实错误；如果是边缘话题，这个比例升到 43.6%。
• 错误不是随机噪声。研究者把它们归为七种命名类型，其中对会议伤害最大的两种是把意见陈述为事实和时态与情态漂移——也就是"可能会"变成"将会"的那一步。
• 你也没法把检查交回给模型。在 FaithBench(2024 年 10 月)上，最好的幻觉检测模型准确率接近 50%；在 TofuEval 中，大模型评判者输给了更小的专用指标。

图片：Shixart1985，Wikimedia Commons，CC BY 2.0。重点是那副眼镜。终究还得有人去读。

采集被解决了，核对压根没开始

在 Hacker News 上数一数过去半年发布的会议纪要工具，2026 年 3 月 1 日到 8 月 13 日之间至少有十五个：端侧转录器、不派机器人入会的记事本、Obsidian 导入插件、开源的 Granola 克隆。每一个都装了同样的两个功能：录下音频，生成摘要。

没有一个装上第三步——唯一需要判断力的那一步。摘要抵达你的收件箱时已经排好版、已经语气笃定、已经发给了整个会议室。这套流程隐含的主张只有一句：这份产物已经完成了。

关键在这里：生成的摘要不是会议的记录，而是关于会议的一份陈述，由一个不为准确性负责的系统写成。它应当像任何转述一样被对待——对着它的来源去读。

好在来源就在旁边。生成摘要的那个工具同时也生成了转录稿，把两者对照一遍所花的时间，比这场会议用在自我介绍上的时间还短。

一个应该改变你读纪要方式的数字

TofuEval 由 Salesforce AI 的研究者及合作者发表于 NAACL 2024，是我们目前对这个问题最接近受控测量的东西。他们取了两个对话语料——一个是新闻访谈，另一个叫 MeetingBank，由美国市议会真实会议转录稿构成——让五个语言模型写主题摘要，再请专业语言学标注员逐句对照原文标注事实一致性。

在会议转录稿上，五个模型平均下来，主要话题摘要中有 30.4% 至少含一处事实不一致，边缘话题则升到 43.6%。论文写得很直白：除 GPT-3.5-Turbo 外，"约 40–50% 的摘要至少含一处事实不一致"。

该说的保留意见是：这五个模型是 2023 年那一代——Vicuna、三个尺寸的 WizardLM，以及 GPT-3.5-Turbo——今天的前沿模型在事实性上确实好了不少。但同一篇论文里有两个发现能挺过这个反驳，而且正是它们会影响你的周二。

第一，规模并没有可靠地解决问题。在会议数据上，WizardLM-30B 的错误率只比 WizardLM-7B 低 3.8 个百分点，尽管体量是它的四倍多；在某些对比里，同系列的更大模型反而出更多错。第二，错误数量与摘要长度没有实质关系(皮尔逊 ρ = 0.18)。更长、更详细的摘要并不更安全。等一个更大的模型，不是一套复核流程。

真实市议会会议转录稿的生成摘要中至少含一处事实错误的比例，仅主要话题。来源：TofuEval，Tang 等，NAACL 2024(arXiv:2402.13249)。受测模型为 2023 年一代；下文的错误类型比它们活得更久。

摘要偏离会议室的七种方式

那篇论文里最有用的不是百分比，而是那套分类：标注员从数千条被标记的句子中归纳出七种错误类型，扩展了此前针对短对话建立的分类。

读过一遍，你就会在自己的纪要里看到它们。因为它们不是随机故障，而是把口语压缩成书面语时，会议室原本依赖的那些区分被抹掉的具体、可重复的路径。

其中三种放成实物最容易认出来。把转录稿和摘要里的那句话并排摆一下就清楚了。

否定被丢掉，矛盾错误。 会议室里的原话：

丹尼尔 (00:31:12): 所以上线日期我们不改。别的怎么变，这个日期不动。

摘要写下的句子：

团队同意改动上线日期。

少了一个字，这句话现在指示的是完全相反的动作。而且它语法完美，这正是通读会滑过去的原因，也是在决定附近搜一下"不"能在四秒内抓住它的原因。

张冠李戴，指代错置。 会议室里的原话：

普里娅 (00:18:40): 按席位计价我反对。上个季度有两家企业客户跟我们说，
这么做单子就谈不成了。
米娜 (00:18:55): 嗯，同意。

摘要写下的句子：

米娜以企业客户反馈为由，反对按席位计价。

这句话里的每一个事实都在转录稿中。只有人不在。难处正在于此：你没法靠追问这些说法是否属实来抓住它，只能追问这些说法是否属于被安上的那个人。

被抬升的猜测，情态错误。 会议室里的原话：

山姆 (00:44:02): 只要供应商及时回复我们，九月大概是可以的。

摘要写下的句子：

团队同意在九月上线迁移。

两个限定词被拿掉了——"大概"这个词，以及整个条件从句。于是一次共同的猜测变成了一份带日期的承诺。这中间不需要任何人说谎。是压缩干的。

其中两种值得特别注意，因为它们是真会让团队付出金钱代价的。

意见事实化就是本文开头那起九月事故。会议里的大多数句子都是带缓和的——人们正在出声思考，而缓和词承载了全部含义。摘要模型按设计就会剥掉缓和词，因为压缩书面语时最先被砍的就是它。结果读起来比会议室笃定得多，也正因如此没人质疑。

情态漂移对日期造成同样的伤害。"可能""应该""大概""如果供应商回复我们"，是计划与承诺之间的分界线，同时也是最容易被丢掉的词。一份写着团队将在九月做某事的摘要，等于悄悄制造了一个无人认领的截止日期。

看看这两者的共同点：模型并没有凭空造事实，它删掉的是限定词——这是它能做的最不显眼的一处编辑，也是读者手边没有原文时根本无法察觉的一处编辑。

编造发生在岔路上

数据里还有第二个模式，和真实会议的走法精确重合。

边缘话题——那些被一带而过、没有展开的内容——的摘要明显更差：在会议语料上是 43.6% 对 30.4%。研究者解释了机制：当某个话题在原文中几乎没被覆盖时，模型会"依赖自身知识对该话题作出推断，把没有依据的信息带进摘要"。证据稀薄的地方被通识填满，而这些填充在语气上与有依据的部分毫无区别。

你的会议里全是边缘话题：关于安全评审的那两分钟、只被提过一次的供应商、某人半记得的数字。这些句子讨论得最少、最可能出错，读起来却和其余部分一样流畅。

再往下一层，形状相同。在 ACM FAccT 2024 发表的《Careless Whisper》中，Koenecke 等人发现 Whisper 转录稿中约有 1% 含有整段在原音频中根本不存在的短语或句子，而这些幻觉里有 38% 带有明确危害——编造的关联、虚假的权威、凭空的暴力描述。有意思的是触发条件：幻觉在非发声时长更长的说话者身上出现得不成比例地多。

换句话说，是沉默。而会议正是由沉默构成的：思考时的停顿、有人解除静音的间隙、屏幕共享加载的时间、一个难题之后的四秒钟。这恰恰是转录模型最可能拿从未说过的话去填补的原料。这也意味着转录错误与摘要错误并不独立：一句编造出来的转录，对摘要来说是一份完全"有据可依"的输入。

你没法把检查交回给模型

一个自然的想法是让第二个模型去验证第一个。测量结果并不鼓舞人心。

在同一项 TofuEval 研究中，作者把大模型当作事实一致性的二元评判者来评估，结果发现包括 GPT-4 在内的所有模型"在检测大模型生成摘要中的错误上表现很差"，输给了专门为该任务构建的、更小的非大模型事实性指标。即便 GPT-4 正确地标出了一个句子，它对为什么错的解释也只有约 80% 是对的；其他评判者大约只有一半。

Vectara 于 2024 年 10 月发布的 FaithBench 给这个天花板标了数字。它收集了八个模型家族、十个现代大模型产生的、现有检测器意见不一的幻觉样本，报告称最好的幻觉检测模型准确率接近 50%。在最要紧的那些案例上，等于抛硬币。

所以复核归你。这听起来像负担，直到你注意到一处不对称：检测器必须拿一份陌生文档去判断任意文本，而你当时就在会议室里。哪句话看着不对劲，你早就知道，只需要去核实。

三种产物，三种职责

大多数"AI 纪要 vs 人写纪要"的争论都是范畴错误。一场会议产出三种东西，它们互不替代，而只保留其中一种的团队，总会丢掉某样具体的东西。

每种产物保住了什么、只保住一半什么、又丢了什么。决定另外两者价值的，是最底下那一行。

最后一行就是全部论点。没有转录稿留存的摘要是不可证伪的——当同事说"我们当时不是这么定的"，你手上有的是两种意见和零份记录。恰恰在这一点上，AI 纪要比人写的更脆弱：人写的会议记录自带可见的易错性，大家会带着适度的怀疑去读；机器写的散文则以整洁的小标题和肯定的陈述句抵达，借走了它并未挣得的权威。

那就照实说：摘要是证词，转录稿是证据。证词有用。证词也正是那种需要拿去核对的东西。

九分钟复核，按顺序来

这是我们推荐的流程，按一场 60 分钟的会议计时。顺序很重要：把出错代价最高的检查放在前面，这样即便你在第四分钟被打断，昂贵的错误也已经被抓住了。

1. 0:00–1:30 — 只读决定句。 第一遍完全忽略叙述性摘要。找出所有声称结果、承诺或日期的句子。一场 60 分钟的会议通常有三到六句，只有它们会被人拿去执行。
2. 1:30–3:00 — 把情态还原。 对每一句，跳到转录稿的对应位置核对动词。当时说的是将会，还是可能、应该、大概？如果原话带缓和，就把缓和词加回摘要句；更好的做法是把它标成一个带责任人的待决问题。
3. 3:00–4:30 — 核对每一个专名和数字。 人名、公司、版本、价格、日期、百分比。逐个在转录稿里搜索。搜不到的就是外源信息：删掉，或者到会外去确认。这是搜索框的活儿，不是通读的活儿。
4. 4:30–5:30 — 验证归属。 对每个决定和每个反对意见，确认那个时间戳上说话的是谁。指代错置更可能引发人际问题而非排期问题，而它是最快能查清的一种。
5. 5:30–6:30 — 猎捕被丢掉的否定。 在每个决定附近搜不、绝不、别、除非、而不是。矛盾错误会在句子语法完全通顺的情况下把意思整个反过来，靠通读发现不了，只能靠搜索。
6. 6:30–8:00 — 问问缺了什么。 这是没有工具能替你做的一步，因为摘要无法标出自己的遗漏。两个问题：我们排除了什么、为什么？还有哪个问题没答上？两者都活不过压缩，而两者恰恰是六个月后让这份纪要还有用的东西。
7. 8:00–9:00 — 写决策日志并发出去。 三到六行，每行写清决定了什么、下一步归谁、期限是哪天。链接到转录稿。这个链接让整套复核变成别人也能复查的东西。

顺序本身就是设计：情态与编造的细节放前面，遗漏放最后。被打断的复核仍然抓住了昂贵的错误。

关于把它做成日常的两点说明。如果会议只有 30 分钟，这就是四分钟的活。如果你在同时持有摘要和带时间戳转录稿的工具里做，第 2 到第 5 步全是搜索和点击，而不是来回切窗口——能在忙碌的一周里活下来的习惯和活不下来的习惯，差别就在这儿。

会议中的十秒，省下复核里的五分钟

如果原始录音里本来就有那条信息，复核会短得多。模型无法还原没人说过的话，而让纪要含混的东西，大多从一开始就不在音频里。

1. 把问题说出口作为开场。 "我们今天要决定的是：迁移在大会前上线还是大会后上线。"一个被说出来的问题，会给摘要模型一个主要话题，而不是一堆边缘话题——边缘话题正是 43.6% 的那一侧。
2. 散会前用一句话说出决定，带名字和日期。 "决定：供应商跟进由 Mina 负责，九月这个日期我们在 25 号前确认。"市面上每一个纪要工具都能完美记下这句话，但没有一个会替你把它想出来。
3. 把否定明说出来。 "我们不改上线日期"比耸耸肩点点头更安全，因为否定被丢掉是一种有据可查的错误类型，而一个从未被说出口的否定，压根没得丢。
4. 用一行说清你们否掉了什么、为什么。 "我们考虑过按席位计价，但上个季度有两家企业客户反对，就放弃了。"就是这句话能阻止六个月后同一场辩论重开。
5. 不常见的专名念清楚一遍。 供应商名、内部代号、缩写，正是转录会弄糊、摘要又会自信复述的那类词。
6. 别让沉默替你说话。 如果全场安静下来是因为大家在读文档，就说一句。长时间的非发声区间，正是转录模型最容易产生幻觉的条件。

这些都不是会议表演，而是在向记录口述——一项在记录开始被自动书写之后，价值反而上升的技能。

结论

AI 会议摘要不是记录，而是关于记录的证词：由一位流利的证人给出，他对准确与否没有利害关系，并且有据可查地倾向于丢掉"大概"这个词。

这样重新定义之后，"人工还是 AI"的争论就散了——它本来就不是一场真正的争论。把录音留下，因为那是唯一的证据。让模型写摘要，因为它比你快，而且到第四十分钟也不会走神。然后花九分钟，做那件只有在场者才能做的事：拿那些笃定的句子去对照真实发言，并写下需要有人去执行的那三行。

2026 年被烫伤的团队，不是那些没用 AI 纪要工具的团队，而是那些把它的输出当转录稿读的团队——它其实是转述，而能显出这个差别的转录稿，他们没有留。关于一份好纪要必须承载什么，我们写过会议纪要仍然必须包含的六件事；关于词错误率为什么几乎说明不了转录稿好不好用，我们写过准确率本身并不够。

---

Telli.sh 在其中的位置：九分钟复核只有在摘要和来源住在同一个地方时才成立。Telli.sh 把带说话人标注的时间戳转录稿放在可编辑的 AI 摘要旁边，于是核实一条论断变成一次搜索加一次点击，而不是在两套系统之间翻找；当会议室不止说一种语言时，译文与原文并排呈现，而不是取而代之。摘要抵达时是一份你去修改的草稿，而不是一份你必须接受的输出。

开始实时 AI 记录

来源

• Tang et al., "TofuEval: Evaluating Hallucinations of LLMs on Topic-Focused Dialogue Summarization," NAACL 2024 (arXiv:2402.13249，2024 年 2 月 20 日)
• Koenecke et al., "Careless Whisper: Speech-to-Text Hallucination Harms," ACM FAccT 2024 (arXiv:2402.08021，2024 年 2 月 12 日)
• Bao et al., "FaithBench: A Diverse Hallucination Benchmark for Summarization by Modern LLMs," Vectara (arXiv:2410.13210，2024 年 10 月 17 日)
• Hu et al., "MeetingBank: A Benchmark Dataset for Meeting Summarization," ACL 2023 (arXiv:2305.17529，2023 年 5 月 27 日)
• Wang et al., "Analyzing and Evaluating Faithfulness in Dialogue Summarization," EMNLP 2022 (arXiv:2210.11777，2022 年 10 月 21 日)
• Wikimedia Commons 图片页面