视频转文字准确率不高，十有八九是素材的问题，不是工具的问题。背景音乐盖住了人声、几个人抢着说、离麦克风太远、方言或外语没选对识别方式，这几种情况占了我遇到错字的大头。下面先教你看错字长什么样，再按原因一个个讲怎么判断、怎么处理。
（官方说明）提词匠有 iPhone、安卓 App 和微信小程序三个入口，同一个微信账号登录，积分和会员三端互通。
先看错字的样子，大致就能猜到原因
同样是错，错法不一样，背后的原因也不一样。转完先快速扫一遍，看看属于哪一类：
| 你看到的现象 | 常见原因 |
|---|---|
| 整段都是乱七八糟的词，几乎没法读 | 语言选错，或者素材几乎没有人声 |
| 大部分对，人名、术语、品牌错成同音字 | 专有名词，识别模型没见过 |
| 一段一段地缺字、漏句 | 背景音乐或噪音盖住了人声 |
| 两句话混成一句，意思颠三倒四 | 多人同时说话 |
| 开头或结尾几句没了 | 录制时一开口就说重点，或者结尾被音乐压住 |
| 数字、否定词错了，读着却很通顺 | 同音或吞音，很难发现的一类 |
对上了现象，再看下面对应的处理办法。
原因一：识别语言没选对
这是很好解决、却常被忽略的一种。普通话和中英混说的视频，用默认的中英识别就行；如果视频是英语、日语这类外语，或者是粤语、四川话这类方言，用中英识别去转，视频转文字准确率会掉得很厉害。
在提词匠里，现在能确认可以切换的是首页顶部「短视频转文字」（粘贴链接）页面上的「识别语言」：默认「中英」档 1 积分 / 分钟，「方言·多语种」档 5 积分 / 分钟，语种由系统自动判断，输出的是原文，不会翻译成普通话。本地视频或录音如果是方言、外语，建议先用默认档转一小段看看效果；不理想的话，已经发到抖音、B站这类平台的视频可以改用粘贴链接的方式选方言档，其他素材就换别的方法。
原因二：背景音乐和噪音太大
判断方法很简单：自己戴上耳机听一遍，如果你都要很费劲才能听清，机器也很难识别准。常见的情况有：
- 剪辑时加的背景音乐音量和人声差不多；
- 在马路边、商场里、开着空调风扇的房间里录的；
- 户外拍摄，风声直接灌进麦克风。
处理办法按顺序试：
- 用原始素材转：手里有没加音乐的原片，就用原片，视频转文字准确率通常立刻好很多。
- 先降低音乐音量：只有成片的话，在剪辑软件里把音乐轨调低或静音，导出一版再转。
- 下次录的时候注意：手机靠近说话人、避开噪音源、户外戴防风罩，这些比任何后期都管用。
原因三：几个人同时说话
访谈、圆桌、聊天类视频，抢话的地方几乎一定会错。机器在同一时刻听到两个人的声音，只能拼成一句，结果两个人的话都不完整。
这类错字后期只能对照视频人工改。我的做法是转完以后，把多人抢话的时间段先标出来，集中回听这几段，其他部分只看一遍就行。提词匠的结果是一整段连续文字，不会按人分开，多人对话的稿子需要自己在换人的地方加上名字。
原因四：专有名词和生僻词
人名、公司名、产品型号、行业术语，识别模型没见过就会按读音写成常用词。这类错误有个规律：同一个词在全文里会错成同一个样子。
所以改起来不用逐句找，导出 TXT 或 Word 以后，用查找替换把错的写法一次全换掉。比如一个品牌名被识别成了常见词，搜一下这个常见词，确认都是指这个品牌，再全部替换。
结果页上能直接改字，但改动不会保存，所以改稿要导出以后在文档里改。
原因五：开头结尾被吞，数字和否定词出错
这两类错误读起来都很通顺，很容易漏看：
- 开头结尾：一按录制就开口，第一句前半截可能没录进去；结尾音乐渐强，最后一句被压住。转完专门看一下首尾。
- 数字：「十五」和「五十」、「两千」和「两万」，错一个字意思完全不同。涉及金额、日期、数量的地方要对着视频核。
- 否定词：「不」「没」说得轻的时候会被吞掉，「我不同意」变成「我同意」，后果很严重。
转完以后的校对顺序
视频转文字准确率再高，也建议过一遍再用。我的校对顺序是这样的，比从头到尾逐字听省时间：
- 先通读一遍，标出明显读不通的句子；
- 用查找替换统一改专有名词；
- 开 1.5 倍速放视频，只盯标出来的句子、数字、否定词和首尾；
- 最后再通读一遍，只看语句通不通，不再回听。
如果要导出成字幕，改完的文字再对照 SRT 改一遍，或者直接拿改好的 TXT 当底稿。
提高视频转文字准确率，录制时就能做的事
后期能救的有限，真正决定识别效果的是录音质量。下面几条我现在录视频都会做：
- 手机或麦克风离嘴一米以内，用领夹麦更好；
- 关掉空调、风扇，远离马路；
- 按下录制后停一两秒再开口，结束前也停一下；
- 多人录制时约定一个人说完另一个人再接；
- 背景音乐等转完字幕以后再加。
视频转文字注意事项：上传前对照这张清单
把上面几个原因倒过来，就是一份上传前的检查清单。我习惯上传前花一分钟过一遍，视频转文字注意事项其实就这么几条：
- 素材语言：普通话、中英混说用默认的中英识别；外语、方言如果是粘贴链接转，选「方言·多语种」，本地文件先用默认档试一小段。
- 用哪个版本：有没加音乐的原片就用原片，没有就先把音乐调低。
- 时长和大小：普通用户单个文件不超过 60 分钟、500 MB，超了先剪开或者压一下分辨率。
- 有没有多人对话：有的话，转完记得重点回听抢话的部分。
- 有没有大量专有名词：有的话，先把正确的写法列在一张纸上，校对时对着改。
做完这几步再上传，转出来的转文字错别字会明显少，校对时间也能压缩一大半。
常见问题
换个工具能解决准确率问题吗？
素材本身听不清的话，换工具帮助有限。先排查上面几个原因，素材问题解决了，大多数工具的结果都差不多。
转文字错别字总是同一个词，怎么一次改完？
导出 Word 或 TXT，用查找替换。先搜错的写法，确认每一处都是同一个意思，再全部替换。品牌名、人名这类转文字错别字，基本一次就能清掉。
同一个视频转两次，结果会不一样吗？
一般差别很小。与其重复转同一个文件，不如先处理音频，比如降低背景音乐，再转一次。
视频很长，错字会更多吗？
长度本身不影响每一句的识别，但长视频里出现噪音、换人说话的机会更多，总的错字数会多一些。提词匠普通用户单次不超过 60 分钟，会员不超过 120 分钟，更长的可以剪成几段转，每段校对起来也轻松。
小结
视频转文字准确率的问题，按「选对语言、处理噪音、标出抢话、统一改专有名词、核数字和否定词」这个顺序排查，基本都能解决。提词匠的 iPhone App、安卓 App 和微信小程序我都在用，转完导出 Word，按上面的顺序校一遍，一段二十分钟的视频半小时内就能整理好。