那天加班整理访谈素材，盯着屏幕发愁，一心想着如何把录音转化为文字，手上这段录音是现场随口聊出来的，几个人来回插话，普通话里掺着本地口音，还有背景里持续的机器嗡鸣，事先没有整理过提纲，连说话人顺序都记不太清。文件录的时候没注意，采样率选的偏低，音量忽大忽小，有人凑近话筒的时候声音炸耳朵，隔远了说话就闷成一团，之前从来没处理过这种杂乱的音频。
先点开了手机里自带的转写功能，直接导入整条音频，等它跑完。进度条走完的时候点开看，成片的文字串在一起，一句话拆成好几段，很多词汇直接变成同音别的字，分不清哪一句是谁在说，原本连贯的对话碎得不成样子。反复拉回音频，一边听一边对照文本手动改，改了不到十分钟就觉得耗神，一段几十秒的内容，核对要花上三四倍的时间，中间还会漏掉一些轻声说出来的补充内容。
换了网页端的工具上传。上传的时候提示文件偏大，要拆分，自己拿剪辑工具切成一小段一小段，每段控制在几分钟以内，以为切短之后识别会稳一点。结果还是不行，重叠说话的地方全部识别失效，直接空出一大片空白，或者胡乱拼接几个无关的词语，根本看不出原本想要表达什么。试的时候才发现，这个工具对安静环境下单人朗读的音频适配还好，多人交替交谈的场景，容错空间特别小。
其实一开始抱有一个很简单的想法，以为丢进去音频，等一会就能拿到干净通顺的文稿，只需要微调几个错别字。没有料到口音、重叠人声、环境噪音叠加在一起，会把识别效果拉到这个地步，不是简单改改错别字就能救回来。一段二十多分钟的访谈录音，折腾了快两个小时，拿到手的文稿依旧有大片内容没法直接用，很多句子要反复回放音频三四遍，才能确认原话到底是什么。
中间有朋友发消息，说他处理同类录音的时候，会提前降噪，再分段标记说话人。
照着说的找了降噪工具跑了一遍音频，噪音压下去一部分，但人声里自带的口音并没有跟着变好，识别错误的数量只是稍微减少，没有出现预想里那种焕然一新的效果。降噪之后还有一部分低声的语句跟着一起变模糊，反而更难听清，等于又多出一点麻烦。
一段音频里，有个说话人语速很快，习惯连着说，中间不怎么停顿，转写出来的文字就连成长长的一整串，没有标点，分不清哪里是问句哪里是陈述句。只能一边拖动音频播放条，一边在文稿里手动敲标点，有时候一句话听到末尾，才反应过来前面识别的词完全不对，又要倒回去重听。耳朵听久了发胀，戴上耳机久了，摘下之后耳边还残留着录音里嗡嗡的底噪，注意力慢慢散掉，改错的时候开始漏看明显的错字。
到后来不再追求一次性把全部内容转完，放低期待，每次只处理两三分钟的片段，听完一段，修正一段，再往下走。很多内容就算识别出来，语序也是颠倒的，不是机器错了字，而是多人对话交错，它没法判断对话逻辑，只能捕捉到单独的音节。全程没有找到什么一下子就能解决所有问题的路子，只是一点点对着音频，把那些错位、错认的地方慢慢捋顺。
最后整理出来的文稿，和原始转写结果差别很大，大部分工作量都花在事后核对上。只代表我这次碰到的这段录音的情况，别的干净清晰的录音，体验说不定完全不一样。
保存完文稿关掉页面的时候，屏幕右下角已经暗下去大半。