如何用更聪明的工作流解决语音转文字准确率问题

ElevenLabs 发布指南，将语音转文字（STT）准确率问题归因于音频输入质量、说话人动态和词汇语境三类，并建议按输入、处理、输出三个环节定位修复。具体做法包括以 16 kHz 或更高采样率录制、使用无损格式、麦克风距说话人四到六英寸，以及用语音隔离、说话人分离、多通道录音和关键术语提示应对噪声与专业词汇。准确率可用词错误率（WER）衡量，并优先关注对业务影响最大的错误。