中文口述到底能不能直接用?我把同音词、标点和公司名全塞进一段话,实测结果有点意外

原创2026-11-02 20:33:551,462 阅读
文章标签:桌面应用语音人工智能本地部署音频

中文口述到底能不能直接用?我把同音词、标点和公司名全塞进一段话,实测结果有点意外

以前用语音输入,很多人都有同一个心理阴影:说完一段话,屏幕上跳出来的是一串没有标点的“钢板文字”,同音词乱飞,公司名变成了另一个物种。改稿花的时间,比手打还长。

所以这波 Handy 在 GitHub 趋势榜和头条、CSDN 上被反复推荐时,我第一反应不是“又一个语音转文字”,而是想验证一件事:中文口述,到底能不能直接拿去用?

我把同音词、标点陷阱、专有名词全塞进测试语料,认认真真试了一轮。结论先说:能用,但有一个关键前提,很多人一开始就设错了。

一、先搞清楚它是个啥

一句话:按住快捷键说话,松手,文字直接落进你正在用的任何输入框。

不是打开一个网站、上传音频、等云端返回。它就在你电脑上跑,断网也能用,语音不出本机。免费、开源,Windows、macOS、Linux 都有。

它没有花哨的“AI 助手”界面,就干一件事:把你说的话变成能直接发的文字。

对了,最新版本的快捷键还变聪明了:长按是“按住说”,轻点一下是“开始/停止”,两种习惯都能用。

快捷键行为设置

二、我的测试语料怎么设计,你也能照着复现

为了不被“运气好”骗过去,我设计了三段话,每段读三遍,中途不刻意放慢语速,就是平时跟同事说话的速度。

第一段,同音词埋雷。 特意塞进“在/再”“做/坐”“权利/权力”“必须/必需”“公式/公示”这类词,还加上“这个方案再改一版”和“我坐这边”这种只靠上下文才能分辨的句子。

第二段,标点大考。 一段话里包含:一个问句、一组三项列举、一句带引号的原话、一个破折号补充说明,最后再来一句“第一……第二……第三……”的排比。

第三段,专有名词集中营。 公司名、产品名、英文缩写、中英混说,比如“用 Handy 把稿子导进飞书,再发一版到小红书”。

每段都换不同模型跑,因为同一个工具,换个模型,结果能差出一个量级。

三、标点和断句:比我预期的稳,但别指望它懂修辞

先说好消息。现在主流的中文识别模型基本都自带标点,句号、逗号、问号是会自己补的,不用你再口播“逗号”“句号”。

中英混说也不会出现那种尴尬:中文和中文之间莫名多出一个空格,句子被切得七零八落。这一点体验很加分,尤其是写稿、写周报的人,一眼就能看出来有没有认真做本地化。

但翻车点也很集中:

一是逗号特别“吝啬”。 一段本来该有三个逗号的长句,它经常只给一个,或者干脆一路句号到底,读起来像领导念文件。

二是问号看语气。 你说“这个方案还能再压一压吗”,语气稍微平一点,它就给你一个句号,意思从“请示”变成“通知”。

三是列举靠运气。 “第一是成本,第二是时间,第三是人力”,有时能规规矩矩断开,有时整段糊在一起。顿号和分号,基本别指望。

四是选错模型,标点直接消失。 有些模型明确就是“不带标点”的输出风格,比如面向台湾地区口音的 Breeze,官方说明里写得很清楚:繁体、无标点。你拿它当主力,等于自己给自己找了个不写标点的秘书。

所以标点这件事的真相是:它不是“会不会加”,而是“加得合不合你的写作习惯”。 想要更细的断句,Handy 里还有一个可选的后处理功能,可以接一个大模型帮你补标点、把口语数字转成阿拉伯数字、删掉“嗯、那个”。代价是要自己配 API,属于“愿意折腾就更香”的选项。

四、同音词:句子越完整,它越像人

这是我最关心的部分,也是决定“能不能直接用”的核心。

实测下来,规律很清楚:你给它完整的句子,它靠上下文猜得准;你给它孤立的词组,它就开始瞎猜。

比如“这个方案再改一版,我坐这边等你”,在上下文里,“再”和“坐”基本不会错。但如果你单独说一句“再改一版”,脱离语境后,个别模型会给你“在改一版”。

“权利”和“权力”也一样,句子里有“行使”“维护”这类搭配,它就能选对;一旦只说半句,出错概率明显上升。

数字和单位是另一个高频坑。“百分之十五”有时变成“15%”,有时老老实实写中文;“三点五”可能变成“3.5”,也可能保持原样。这不是错,是风格不统一,你后期统一一下就行。

那准确率到底什么水平?官方在公开测试集 FLEURS 上的中文数据挺有参考价值(数字越低越好):

  • Qwen3-ASR 1.7B:约 7.1%
  • Fun-ASR Nano:约 8.6%
  • Whisper large-v3-turbo:约 8.5%
  • SenseVoice Small:约 10.1%
  • Whisper medium:约 13.1%
  • Whisper small:约 23%

翻译成人话:用对模型,一百个字里大概有七到十个字需要你扫一眼。 这不是“零修改”,但也绝对不是“重写”。对写口播稿、写会议纪要来说,这个量级是可以接受的——你本来也要通读一遍。

顺便说一句,粤语是另一个世界。上面那个“秒出字”的小模型,普通话不错,粤语错误率能飙到三成以上,广东的朋友别拿它当主力,得换成专门优化粤语和中文的模型。

五、专有名词:这才是真正的分水岭

公司名、产品名、人名,是所有语音输入的死穴,Handy 也不例外。但它给了一个很实在的解法:自定义词汇。

坑在于,很多人以为“加进去就自动纠正”,其实不是。

它有两套机制。一套是把你的词表当成“提示”喂给模型,让模型在识别时优先考虑这些词——这套机制对中文词有效,但只对支持词汇提示的模型生效。另一套是“发音相近自动纠错”,很遗憾,这套只认英文字母和数字,中文不走这条路。

所以中文专有名词的正确姿势是:

第一步,选对模型。 中文场景优先选明确为中文优化的模型,官方对 Qwen3-ASR 系列的定位就是“中文、粤语和亚洲语言最佳”。这一步错了,后面加一百个词也白搭。

第二步,只补真正会错的词。 一次加五到十个,比如你公司名、常用产品名、老板名字、行业术语。别把整本通讯录塞进去,词表越长,模型越容易在几个相似词之间犹豫,反而拉低整体准确率。

第三步,用“最小可复现”的方式验证。 加完词,把同一句话再读三遍。三遍都对,才算真的生效;只对一遍,那是运气。

第四步,口头语单独处理。 这点必须提醒:它内置的“嗯、啊、那个”过滤,主要覆盖英德法几种语言,中文的口头语默认是不删的。你要干净稿子,得自己把这些词加进自定义过滤列表,否则一段三分钟的口播,能给你留十几个“嗯”。

另外,简体、繁体(台湾地区用字)、繁体(香港地区用字)可以在设置里直接切,不用事后转换。对做两岸三地内容的人来说,这个细节挺贴心。

六、普通人上手,门槛到底高不高

不高,但有几个坑要提前知道。

硬件:普通笔记本就能跑。小一号的模型在纯 CPU 上也能出字,追求更准更快的可以上大一点的模型,有独立显卡或 Apple 芯片会更舒服。它不是那种“没有 4090 就别玩”的东西。

安装:官网下载安装包,macOS 有 brew,Windows 有 winget,Ubuntu 系直接装 deb 包。装完给两个权限:麦克风、辅助功能(Mac 上必须有,否则文字打不进别的软件)。

Linux 用户注意:Wayland 环境下需要额外装输入工具,不然会出现“识别成功但字打不出去”的诡异情况。另外它的录音浮层在某些桌面环境会抢焦点,官方建议直接关掉浮层,用声音提示代替。

一个很爽的细节:说话的时候,文字是边说你边看到的,不用等一整段说完才蹦出来。用支持流式输出的模型时,这种“边说边出字”的感觉,第一次用会有点上头。

边说边出字的实时浮层

七、所以,它适合谁

自媒体口播作者:这是最匹配的人群。口播稿本来就是“说出来的语言”,识别完稍作润色就能用,比对着键盘憋字快得多。

天天写周报、写方案的白领:把想法先说出来,让工具变成初稿,再动手改。写作最痛苦的是从零到一,它恰好把这一段接走了。

会议记录、访谈整理:全程本地处理,涉及公司内部信息的录音不用往云上传,这一点对很多单位来说是硬需求。

学生、研究者:边看资料边口述笔记,思路不断。

行动不便、打字困难的人:这类工具真正的价值,往往不在效率,而在“能不能用”。

至于科技发烧友,它最大的乐趣是模型多、可换、可调,像攒机一样能折腾。

最后说句实在话

这轮测下来,我对“中文口述能不能直接用”的答案是:能,但要把它当“草稿机”,不是“终稿机”。

它的价值不是帮你省掉校对,而是帮你省掉“从脑子里挤字”的那半个小时。标点它大致能补,同音词它靠上下文能猜,专有名词需要你手动喂几个词——这套组合拳打下来,一篇五百字的口播稿,从“说”到“能发”,十分钟以内是现实的。

真正拉开差距的,从来不是模型有多神,而是你有没有花十分钟把它调成“你自己的输入法”。

最后想问问大家:如果语音输入能省掉你一半的打字时间,你最想用它来干什么?是写稿、记会议,还是躺着跟人聊天?评论区聊聊,我看看有没有更野的用法。

登录后查看全文
Handy