语音AI术语词典

语音 AI 覆盖语音识别、语音合成、声音克隆、说话人识别和实时翻译等方向。理解这些术语，有助于选择工具和评估效果。

识别相关

ASR，Automatic Speech Recognition：自动语音识别，把语音转成文字。

Transcription，转写：将录音转换为文本的过程，常用于会议纪要和字幕。

WER，Word Error Rate：词错误率，衡量识别结果和人工稿之间差异。越低越好。

Diarization，说话人分离：区分一段录音中不同说话人是谁在说话。

合成相关

TTS，Text-to-Speech：文字转语音。

Voice Cloning，声音克隆：根据样本学习某个人的音色。

Prosody，韵律：语音中的停顿、重音、语速和语调。

Timbre，音色：声音的质感，使我们能区分不同人的声音。

音频质量

Sample Rate，采样率：每秒采集音频样本数量。常见如 16kHz、44.1kHz。

Noise Reduction，降噪：减少背景噪音，提高识别或听感。

Latency，延迟：从说话到系统输出结果的时间，实时字幕和语音助手很关注。

易混淆点

识别准确不等于纪要好。ASR 只负责转文字，摘要、待办提取还需要 NLP 或大模型。声音像本人也不代表可合法使用，授权是关键。

使用建议

录音前尽量保证清晰、近距离、少混响。会议转写后必须人工校对人名、数字和决策结论。声音克隆必须获得明确授权，并标注 AI 合成。