词错误率 2.4%，却依然不知道是谁在说话

六月初，微软 AI 超级智能团队发布了 MAI-Transcribe-1.5，在独立基准 Artificial Analysis 的排行榜上拿到 2.4% 的词错误率。单个模型覆盖 43 种语言，面对口音和嘈杂会议室依然稳得住，一小时的音频不到十五秒就能跑完。

然后去看这个模型自己的 Azure 官方文档。在使用注意事项里有这么一行：「不支持说话人分离（diarization）。」

说话人分离，就是告诉你谁在说话的那部分。也就是说，今年最受关注的语音模型造出了一堵几乎无懈可击的文字墙，却完全不知道这些话是从谁嘴里出来的。这不是发布说明里的疏漏，而是对这个行业当前位置的一次精准写照。听清，已经基本被解决了。而听清，从来就不是会议纪要难的那一部分。

这篇文章讲的是：一份准确的转写，和一份你真的敢发给团队的纪要，中间隔着多远。词错误率测量了什么，它在结构上又测量不了什么，以及语音识别之上叠着哪些层、悄悄决定了最终结果。如果你曾经拿到一份技术上完美、实际上毫无用处的转写，这里就是那种感觉的解释。

TL;DR:

• 词错误率已经挤在地板上。Artificial Analysis 独立排行榜上前九名模型集中在 1.73% 到 3.31% 之间，换一个「更准」的引擎，在一场普通的一小时会议里也就多对几十个词。
• WER 对每个词一视同仁。决议里漏掉一个「不」，和漏掉一声「呃」，同样都是 0.016%。这个指标分不清错别字和被反转的承诺。
• 剩下的活儿都在转写之上：说话人归属、切分、精修、摘要。微软自己的模型卡就是证据——顶级准确率，没有说话人分离，也没有流式。

图片：Steve Knight，Rockfield Studios，Wikimedia Commons，CC BY 2.0。

2.4% 落到读的人眼里，究竟是什么感觉

词错误率是语音识别里最老、也最粗的一个数字。正因为它被引用得太频繁，才值得搞清楚。拿到实际说过的内容，也就是人工制作的参考转写；拿到模型写出来的东西；然后把错的词分三类来数：替换（人家说「部署」，它写成「部长」）、删除（整个词漏掉）、插入（凭空造出一个没人说过的词）。加起来，除以参考转写的总词数，就是 WER。越低越好。

所以 2.4% 的意思是，大约每四十二个词里错一个。

放进一场真实会议里看。一小时的会议，大家真正在说话的时间大概四十五分钟，按正常语速每分钟 140 个词算，大约是 6,300 个词。按 2.4% 的 WER，其中约 150 个是错的。摊到整份转写里，差不多每屏都有那么几个。

接下来是这个指标拒绝回答的问题：错的是哪 150 个？

WER 给语言里的每一个词都赋予相同权重。虚词「的」和否定词「不」，价值完全一样。设想一份转写把「我们不会在第三季度发布」写成了「我们会在第三季度发布」。这是一次删除，6,300 个词里的一个词，占全文 0.016%，对着 2.4% 的预算连零头都算不上。可这份纪要现在记录的，是会议室实际决定的反面。

同样的不对称还贯穿人名、产品代号和内部缩写——那些每个字承载意义最重、在训练数据里出现却最少的词。一份转写可以把 6,150 个连接性词句全部拿下，同时把会议室里所有专有名词都碾碎，而 WER 看上去依然漂亮。任何回头读过自己团队站会转写的人都懂这种感觉：字都对，会没了。

排行榜已经挤在地板附近

这一段会重新定义整个品类的看法。我们在 2026 年 8 月 4 日拉取了 Artificial Analysis 的语音识别排行榜——这是独立基准，不是厂商自己的成绩单。它的 AA-WER v2 指数，是在三个数据集共约八小时音频上按时长加权平均得出的：AA-AgentTalk 占 50%，VoxPopuli-Cleaned-AA 占 25%，Earnings22-Cleaned-AA 占 25%。榜首部分是这样：

来源：Artificial Analysis 语音识别排行榜，2026 年 8 月 4 日获取（AA-WER v2，非流式）。

有两件事跳出来。第一，微软那 2.4% 是真的，而且是独立测出来的——但它是第三，不是第一。至于更强的那句「在全部 43 种语言的 FLEURS 上达到同类最佳准确率」，是微软自己的口径，在有外部机构测量之前，按厂商数字来读比较稳妥。

第二，也远比第一点重要：九个模型被压进了 1.6 个百分点的窄带里。换算回那场 6,300 词的会议：榜首模型错约 109 个词，第九名错约 209 个，而至今仍被大量产品使用的开源基线 Whisper Large v3 错约 256 个。

想想这对采购决策意味着什么。从中档引擎换到榜首引擎，一小时大约少错 100 个词。这不是没有意义，在医疗和法律转写里确实重要。但它离「一份你信得过的纪要」和「一份要从头重写的纪要」之间的差距，还差得远。如今像样的引擎全都过了 96% 的准确率。真正决定你的会议纪要有没有用的变量，在别的地方。

微软的发布说明，是这个品类里最诚实的一份文档

于是回到开篇那一行。微软 Azure Speech 的文档把 MAI-Transcribe 的限制列得很平实：不支持说话人分离，不支持提示词微调，并且目前是通过 LLM Speech API 提供的公开预览版。关于发布的报道还补充了一点：它也没有原生流式 API，所以实时场景受限。

请体会一下这个形状。这家公司在「听清」这件事上投入了巨大的工程量——语言从上一代的 25 种扩到 43 种，新增 18 种而准确率没有回退。然后它在没有说话人标签、没有流式的情况下发布了。而这两样，恰恰是一场进行中的会议最需要的。

我们的看法是：这不是微软产品的缺口，而是关于整个领域分层结构的一句宣告。识别现在是零件，不是产品。它变成了你去采购、去跑分、去替换的东西，而有意思的工作已经搬到了包在它外面的一切上。

速记员的天花板

我们内部反复用一个说法：速记员的天花板。过了这条线，听得更清就不再有帮助了，因为剩下的活儿根本不是听。

一位完美的速记员会给你一份完美的字词记录。但他不会告诉你，那两句「行，可以」出自不同的人，意思也不同。他不会标出某个话题在哪里结束。他也不会告诉你，关于搬办公室的那二十分钟压根就不该进纪要。转写之上有四个层次，每一层都有自己的塌法。

说话人归属，也就是说话人分离。 这套机制把单一音频流切成「说话人 1、说话人 2、说话人 3」，并让这些标签在一小时里保持稳定。它和识别是彻底不同的问题，有自己独特的失效方式：两个人抢话时、有人中途加入时、同一个人用免提和用耳机听起来不一样时。而且它一旦失效就是破坏性的。把一句承诺挂到错的人头上，比谁也不挂更糟，因为读的人会信。而这恰好是那个得分最高的模型没有提供的能力。

切分。 识别的原始输出是一条河。真实的说话不是按句子到达的，它带着重启、拖尾和打断一起到达。模型必须判断句子在哪里断、某个人的发言轮次在哪里结束、对话在哪里换了话题。这里判断错了，你会得到技术上准确但没人会读的段落，因为眼睛找不到落脚处。判断对了，同样这些字就变成可以扫读的文本。而这份改善，在 WER 上一个字符都不会体现。

精修。 原始转写和纪要之间还有一道清理工序：剔掉口头禅和说了一半的话，规范数字和日期，修正声学模型根本无从知晓的专业术语。「第三季度」被规范成「Q3」，一个流出来变成三个像模像样普通词的内部代号被还原回去。这是领域知识进场的一层，也是「读起来像庭审记录」和「读起来像笔记」的分水岭。

摘要。 最后是判断：这一小时里，哪些是决定，哪些是悬而未决的问题，哪些是把工作派给了具体某个人，哪些是停车场那二十分钟。这是绝大多数读者唯一真正会看的一层，却完全依赖前面三层。一个基于没有说话人、没有切分的转写工作的摘要器，其实是在猜谁承诺了什么。给它干净的发言轮次，它就不用猜了。

依赖关系是单向流动的，这正是准确率之争如此容易误导人的原因。把 WER 从 2.4% 降到 1.7%，改善的是一条四步链路的输入，而那四步从来没人测过。

关键词偏置，是行业悄悄承认了这一点

MAI-Transcribe-1.5 的这次发布里，有一个功能等于把底牌亮了出来。而它同时也是这次发布里最有用的东西。

这个模型支持关键词偏置，也叫实体偏置：你把最多 200 个领域词条——参会者姓名、产品名、内部缩写——作为列表交给它，它就会把预测朝这个列表倾斜，而且不是硬套，而是结合上下文判断什么时候该应用这种偏置。微软报告称，启用偏置后在 FLEURS 上 WER 最多下降 30%。他们公布的例子非常具体：不给关键词列表时，三个名字被写成「Sean」「Oif」「Societal」；给了列表，模型把「Shaun」「Aoife」「Xochitl」找了回来。

仔细看这里发生了什么。音频没变。声学条件没有改善。模型之前并不是听得更差，它听得好好的，只是猜错了，因为它不知道会议室里都有谁。把参会名单递过去，将近三分之一的错误就蒸发了。

这就是本文的全部论点，而且是由那个拥有最高分模型的厂商，以产品功能的形式交付出来的。今年最受瞩目的发布里，最有效的准确率提升手段，靠的是注入音频里本来就不存在的信息。这意味着转写剩下的前线不是声学，而是上下文——而上下文，恰恰就是转写之上那几层赖以搭建的材料。

与此同时，所有人都在抢着捕获更多音频

硬件市场得出了相反的结论，这值得一提。INMO 的 GO3 眼镜售价 599 美元，宣称能把 98 种以上语言的实时翻译投到镜片上，并自动录音、转写、摘要你的每一次对话和会议，背后由 ChatGPT 和 Gemini 支撑。以上都是其产品页上厂商自己的说法，野心很明确：随时随地、不用动手、全都录下来。

可捕获从来就不是瓶颈。桌上放一部手机，十年前就足够把会议录清楚了。让捕获变得更加无处不在，只会把更多音频灌进同一条尚未打通的流水线。要说有什么变化，问题反而更尖锐了：一台整天录下你所有对话的设备，只会产出多得多的、亟需「判断什么才重要」的素材。

与其读 WER 数字，不如做这三个测试

如果你正在评估转写或会议纪要工具，公开的准确率数字分不出高下，因为大家都挤在几个百分点之内。真正能分出来的是三个测试。

录一场至少三个人参加、并且确实有一段抢话的会议，然后检查说话人标签从第 5 分钟到第 50 分钟是否始终一致——说话人分离正是在那里悄悄退化的。接着，挑一条用否定形式表述的决定（「这个季度我们不做迁移」），到摘要里去找它；会反转或漏掉否定的系统，会在这里露馅。最后，把摘要和你自己对这场会的记忆对照，分开数两件事：它写进去了但其实不重要的，和它漏掉了但其实很重要的。第二个数字没有人会公布，而它决定了三个月后你还会不会在用这个工具。

结论

词错误率回答的是「机器有没有听清这些字」——这个问题，行业现在已经答完了。而没有任何一个排行榜回答过的问题是：「它能告诉我这场会议决定了什么吗？」

这是两个不同的问题，而从一开始重要的只有其中一个。转写是声音的记录，纪要是决定的记录。两者之间的距离不是用百分点衡量的，也不会靠更好的麦克风或更低的 WER 来弥合。弥合它的是你在上面搭建的一切：知道谁在说话，知道一个想法在哪里结束，知道哪些话是噪音，以及知道这一小时里哪三句话才是这场会议召开的理由。

转写从来都不是交付物，它是原材料。

Telli.sh 正是照这个思路做的：语音识别只是一个零件，我们视为产品的工作在它之上——说话人分离、切分、精修，以及把决定和闲聊区分开的摘要，覆盖 15 种语言。如果你想在自己的会议上看看转写和纪要的差别，录一场，几分钟后读结果就知道了。

开始一场实时 AI 笔记

参考来源

• MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — 限制清单，含「不支持说话人分离」
• Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost，2026 年 6 月 8 日
• Introducing MAI-Transcribe-1.5 — Microsoft AI
• Artificial Analysis 语音识别排行榜 — AA-WER v2 数据，2026 年 8 月 4 日获取
• INMO GO3 产品页 — 关于翻译与转写功能的厂商说法
• Wikimedia Commons 图片页