自动语音识别（ASR）
科普速读
- 它是什么： ASR 把语音音频转换成文字。
- 适合什么场景： 生成转写、字幕、语音搜索和口述反馈。
- 主要边界： 转写读起来通顺，也可能包含原音里没有的词。
概览
团队可以转写用户访谈，再搜索重复出现的抱怨。文字更容易查找，但核对细节时仍应以原始录音为准。
核心定义
自动语音识别（ASR）把语音音频转换为文字，有时也会输出词语或片段的时间戳。
背景与发展
ASR 从识别少量固定命令，发展到使用大规模、多样化音频训练的系统。有些模型还支持多语言转写或翻译，具体能力取决于模型和配置。
工作机制（How It Works）
系统分析音频信号并预测词语序列。它也可能添加标点、说话人标签或时间戳。这些是不同输出，都需要单独检查。
在软件测试与开发中的应用
可以用 ASR 搜索口述的可用性测试记录、为缺陷报告加字幕，或转写语音命令。姓名、数字、路径和命令应回听原音核对。
优势与局限
转写文本可以搜索，也更方便浏览录音。噪声、口音、多人重叠说话、专业词和语言切换都可能造成错误或丢失上下文。
与相近术语对比
ASR 把音频转成文字；文本转语音把文字变成音频。两者都可能用于语音助手，但模型和评价指标不同。
实施建议（Best Practices）
保留录音，记录模型和语言设置，并抽样核对转写。若错误会影响决策，应安排人工复核。
常见误区（Pitfalls）
不要把转写当成逐字记录。识别器可能生成听起来合理、但原音中并不存在的词。
FAQ
转写出来的每个词都能当作原话吗？
不能。涉及重要姓名、数字或决策时，应回听原音。