在很多重要的場所或者對話過程中，需要用到速記，它的特點就是記錄速度快、效率高，可以用比漢字快三倍以上的書寫速度來記錄別人的對話。但速記畢竟是個技術(shù)活，不是人人都可以輕松掌握的一項技能，另外專業(yè)速記人員不好請（現(xiàn)場速記略貴）也是一個不爭的事實，所以在很多場景下，將現(xiàn)場錄音轉(zhuǎn)交速記人員轉(zhuǎn)錄成文字成了不二之選。

那么將錄音轉(zhuǎn)錄為文字，能不需要人工嗎？將語音轉(zhuǎn)化為文字，對目前的技術(shù)而言并非難事，很多語音助手都有較高的語音識別度，就連微信也能直接將語音翻譯為文字，就更別說那些能支持語音輸入的輸入法們，所以要將將錄音轉(zhuǎn)為文字，是可以讓機器完成的。

90后創(chuàng)業(yè)團(tuán)隊聽道在做就是這個，用創(chuàng)始人董建成自己的話說就是“我們自己的‘初心’就是讓更多需要技術(shù)來解決問題的人能用得上高新技術(shù)，而不是讓技術(shù)成為擺設(shè)，有困難的人還是得不到解決，所以我們定位是在技術(shù)層到應(yīng)用層的企業(yè)“。

雷鋒網(wǎng)：語音識別技術(shù)是自己做的嗎？

董建成（公眾號：ting dao）：目前采用的語音識別技術(shù)雖然不是自己做得，但也不是哪一家的，而是同時選用了多家語音識別的技術(shù)。之所以不自己做，是這塊如果沒有個一二十年的積累，肯定是做不出來的，尤其是對于小團(tuán)隊來說，第一沒這個能力做，第二即便現(xiàn)在去做，也做不過別人。

選擇多家技術(shù)的糅合也不是沒有章法的，經(jīng)過研究對比，我們發(fā)現(xiàn)每個引擎（語音識別技術(shù)）都有自己擅長處理的一個領(lǐng)域，有的善于處理KTV環(huán)境下的錄音，有的對大馬路上的錄音處理效果好，不同環(huán)境下，不同領(lǐng)域內(nèi)的詞匯偏重，都會影響最終的轉(zhuǎn)錄效果。

降噪部分我們自己做，有單獨的算法，不但降噪還能自動把每句話是時間點精確地自動地切分好，提高識別效率，不過音源肯定是清晰度越高越好，因為即使有降噪，也會降低識別準(zhǔn)確度，音源清晰發(fā)音清晰最好

我們還能通過對錄音環(huán)境的甄別，領(lǐng)域的劃分，對比結(jié)果后選擇最好的文字呈現(xiàn)給用戶，但是對于口音暫時沒有自動區(qū)分。引擎與最終結(jié)果的選擇，是系統(tǒng)自動完成的。

雷鋒網(wǎng)：讓電腦自己去做對比選擇，這是怎么做到的？它如何去判斷這個錄音是在KTV里面錄的還是在大馬路上錄的？它又怎么能知道這個錄音說的是科技領(lǐng)域內(nèi)的東西還是娛樂圈里面的？

董建成：首先在噪音處理這塊，是我們自己做的，所以通過噪音的頻譜以及響度可以大概區(qū)分出來是處于哪個環(huán)境，然后再去初選引擎。

每個引擎會對自動的對自己識別的結(jié)果給出一個評分，也就是置信度，分?jǐn)?shù)越高表示結(jié)果越準(zhǔn)確，所以置信度的高低決定了最終會選用哪個結(jié)果。

最終的結(jié)果還會跟用戶修改后的文字進(jìn)行對比，一并收納進(jìn)大數(shù)據(jù)庫。若下次再在遇到同樣的結(jié)果時，就能直接在我們這邊直接給出更符合用戶需求的文字。

雷鋒網(wǎng)：你們跟這些引擎之間有協(xié)議嗎？

董建成：引擎方提供SDK，其中包含了使用協(xié)議，而我們則是直接使用他們的API做了一個應(yīng)用，即便是用于商業(yè)化也沒有問題，微信就是這樣做的。

雷鋒網(wǎng)：你們的轉(zhuǎn)化率如何？

董建成：主要是出于兩點考慮，第一個就是之前所說的通過不斷地收集修改前后的文字對比，來完善最終文字。另一點的話，就還是通過選擇多種引擎來提供最為合適的結(jié)果。

錄音轉(zhuǎn)文字，之所以轉(zhuǎn)化率低，不是因為引擎不行，而是錄音這一塊出的問題會比較多。很多引擎說自己的轉(zhuǎn)化率能達(dá)到95%或者99%，其實也沒錯，不過前提是錄音清晰的情況下。

用微信說話的時候，一般都是拿著手機講，距離比較近，所以轉(zhuǎn)錄效果非常好。而正常錄音的話，一般距離較遠(yuǎn)，環(huán)境也會更加復(fù)雜，這樣一來就容易造成錄音不清晰，噪音比較大。

未來，我們可能推出自動定向的錄音麥克風(fēng)，采用四點麥克風(fēng)陣列，誰在說話時就調(diào)整陣列，只收集說話人的聲音，算法我們已經(jīng)驗證過了，可行，效果也可以。

雷鋒網(wǎng)：與錄音寶如何競爭？

董建成：錄音寶做到比較好的地方是能實時錄音，能夠顯示錄音時的地址，按時間軸存儲文件，一件轉(zhuǎn)錄文字，也可以一鍵導(dǎo)出音頻與文字。但錄音筆實際上是偏重于日常生活，對于處理工作中一小時，兩小時的長時間錄音的話，它就不是那么方便。比如說，在一段很長的錄音文件中，中間可能有一段錄音是不需要的，但是卻沒辦法刪掉，只能導(dǎo)出來之后，手動修改。

而在我們的網(wǎng)頁版上，就能在導(dǎo)出之前勾選你說需要的或者不需要的內(nèi)容。而且能夠就這每一句話聽錄音編輯修改轉(zhuǎn)錄出來的文字。另外一個就是，我們轉(zhuǎn)錄出來的文字是帶有時間節(jié)點的，可以直接生成字幕格式。比如說，你要發(fā)布一個視頻，那么你就不要再去配字幕了，直接就能用。

我們的定位主要是專業(yè)軟件，能夠多平臺同步處理，只要錄音文件上傳到了云端，那么用戶無論是在家還是辦公室，只要打開這個軟件，就能繼續(xù)編輯，這樣的話，就能不受限于工作地點與電腦。我們不是純做技術(shù)，我們是底層技術(shù)研發(fā)和解決用戶實際問題之間的橋梁，是為了將現(xiàn)有的技術(shù)真實用來解決用戶實際需求的。

對于文字的編輯這塊，我們也有獨特的地方，比如說對每一句話的起點與終點劃分，十分準(zhǔn)確，而且是修改哪一行，就能播放哪一句聲音。如果在文字內(nèi)容修改時按回車，不僅文字內(nèi)容會拆分，音頻內(nèi)容也會自動分段，依據(jù)是語音與文字對應(yīng)的頻率，還有時間點。其他基本的文字編輯功能與技巧與常有的WORD差不多。

雷鋒網(wǎng)：你們會代替速記這個工種嗎？

董建成：將來發(fā)展是有可能替代速記的，但會很久，目前是幫助速記。

就目前的平臺處理速度而言，一小時的文件，需要10分鐘才能出稿。以后，會采用分段處理的方式，將一段錄音分解成無數(shù)小段，同時轉(zhuǎn)錄，雖然會消耗服務(wù)器大量的計算能力，但能保證一小時文件一分鐘左右完成轉(zhuǎn)錄。

小結(jié)

從成本身而言，現(xiàn)在人力成本太高，請一個速記人員到現(xiàn)場除了要按字付錢之外，還得額外給出勤費，按日計算的。時間成本也高，現(xiàn)場速記可不是當(dāng)場結(jié)束就能當(dāng)場給出的，速記人員還得回過去校隊一次，要不然很多東西是看不懂的，而錄音給速記人員去轉(zhuǎn)錄文章的話，1小時的錄音最快也得花一小時轉(zhuǎn)錄出來。

機器轉(zhuǎn)錄的話，目前基本上都是免費的，以后收費也可能是在精度，處理速度與存儲空間上做文章，所以不用太擔(dān)心。時間現(xiàn)在差一點的一小時文件可能上傳，轉(zhuǎn)錄，導(dǎo)出算一起不到20分鐘的樣子，未來會更快。至于，轉(zhuǎn)化率的問題，人工速記的精度并高，還是需要用戶再次校對，那么隨著機器轉(zhuǎn)錄的置信度的提高，需要用戶校對的地方也只會越來越少。

人工速記定會被機器取代，這一點是可以確定的，但這個速記終結(jié)者是不是聽道，就不要一定了，或許是引擎?zhèn)兊目赡苄愿蟆?/p>

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。