同一段录音前后转写结果对不上，通常不是转录功能本身坏了，而是两次操作之间有某个可见选项或流程环节不一致。SoundWise 这类界面通常把识别语种、自动标点、时间戳、说话人分离、降噪、热词表、输出格式摆在页面上，其中任何一项在两次之间被改过、或者事后根本记不清，差异就会出现。可行的处理方向是：把音频固定成一份基准素材，每次只动一个选项转一次，把两次输出按段落并排比对，再把稳定下来的操作顺序写成上传前的检查清单。

适用场景：同一段音频重复转写，断句、用词或数字对不上，需要定位原因。操作动作：选一段 30 秒到 2 分钟的单人干净录音作基准，每次转录前把页面可见选项留档，之后每次只改一项再转一次，把两次输出做文本对照。验证方式：差异能指认到具体的选项改动位置。边界：页面未暴露的模型自动选择属于不可控项，只能记录并保留不确定性。

选一段短、单人、背景干净的音频作为基准素材

基准素材的作用是让差异尽量只来自操作，而不是来自音频本身换了、时长变了、多了一个人说话。选定标准可以按三条来。

• 素材时长：建议 30 秒到 2 分钟。太短则句子样本不足，断句差异看不出来；太长则两次结果逐段对照的成本偏高。
• 说话人数：只保留 1 人。多人对话会牵出说话人分离这一项，差异来源变多，单变量对照就会失效。
• 背景情况：没有音乐，没有键盘和鼠标声，没有第二人插话，房间混响不要太大。手上只有带背景音的录音时，可以先截取一段干净片段单独使用。

素材选定后要确认它本身没变。同一份文件重复上传，先用校验和核对；macOS 或 Linux 可以用 shasum，Windows 可以用 certutil。

shasum -a 256 sample_60s.wav

每次转录前记下这个值，同时记录文件大小和时长。如果校验和变了，说明对照的前提已经破了，这一轮结果不能和上一轮直接比较。需要提醒的是，干净的基准素材只用来排查操作项，不代表你在真实业务音频上的识别质量。

记录每次转录前页面上的可见选项与状态

要把差异归因到选项，先得知道两次各自的选项状态。不要只凭记忆，转录前直接对着页面抄一份快照。通常需要记录这些选项名称和当前取值：

• 识别语言或语种：中文、自动检测、中英混合。
• 标点与断句相关开关：自动标点、按句分段。
• 时间戳：关闭、段落级、词级。
• 说话人分离：关闭或开启。
• 降噪或音频增强：默认或开启。
• 热词表、自定义词或术语表：未启用，或已启用（记下用的是哪一份）。
• 输出格式：纯文本、SRT 或其他格式。
• 模型或版本：页面显示版本号时，一并抄下来。

除了页面选项，还要记那些看不见但会变的项：上传文件哈希、上传时间、所在工作区或账号、是否复用了上一次的历史任务。留档方式建议截图加文本快照双份，命名带轮次，例如 run_01_options.png 和 run_01_options.txt，放在同一个目录。文本快照可以照下面这个格式写，字段按你页面实际显示的选项增删。

run_id: 01
file: sample_60s.wav
sha256: 粘贴校验和
duration: 约 62 秒
speakers: 1
options:
  language: 中文
  auto_punctuation: 开启
  timestamps: 关闭
  speaker_split: 关闭
  denoise: 默认
  hotwords: 未启用
  output: 纯文本
  model_version: 页面显示时填写
uploaded_at: 自己记录的时间

每次只改一项再转一次，做单变量对照

第一次全部用默认设置转录，导出的文本命名为 run_01.txt。第二次只改一项，其余选项保持和第一次完全一致，导出为 run_02.txt。用 diff 比较两次文本，直接看差异落在哪些行。

diff -u run_01.txt run_02.txt

对照记录至少写清两件事：本次改动项是什么，例如只把自动标点从开启改成关闭；改动前后文本的差异位置在哪里，例如从第几段第几句开始不同。可以用一张简单的表来记：

改了某一项之后结果没有变化，同样是有效结论：说明这一项在这段素材上没有产生可观察的差异，不能因此推断它在其他音频上也没有影响。同一项改动反复产生差异，那它就是后续需要固定或者需要明确声明的项。

还要留意有些项无法在页面上固定，例如系统自动选择模型、服务端排队或版本更新。这类属于不可控项，只能记录当时的页面显示和时间，差异归因时保留不确定性，不要凭一次对照就断定原因。

把两次结果并排比对，圈出断句和用词的差异

感觉断句不一样很难争论，把它变成可以指认的差异就好讨论。做法是把两次文本按段落或句子编号，逐段并排。三个要素要写全：

• 差异段落编号：每段一个编号，例如 P03，同一编号下分别写第一次和第二次的文本。
• 差异类型归类：断句位置（逗号改句号、两句并成一句）、同音或近音词（人名、地名、专有名词）、数字与单位（金额、时间、数量）、口语填充词是否保留（嗯、那个）、标点与大小写。
• 是否影响语义：标注为不影响、轻微影响、改变含义。数字、否定词、人名、单位这几类一旦不同，建议按改变含义处理，回听原音频确认。

下面是一段记录的样子，可以直接照这个格式往下写。

P07
run_01: 我们下周三下午三点前给你答复。
run_02: 我们下周三下午，三点前给你答复。
type: 断句位置
semantic: 不影响
action: 保持自动标点开启，此项计入固定项

P11
run_01: 合同金额是十四万。
run_02: 合同金额是四十万。
type: 数字
semantic: 改变含义
action: 回听原音频，此项计入风险段落清单

固定一套操作顺序并写成上传前的检查清单

把已经确认会产生差异、或者你希望每次都一致的项固定下来，写成上传前按顺序执行的检查清单。清单建议放在团队共享目录，和每轮快照文件放在一起，方便回查。

检查顺序可以参考下面这个顺序，按你的实际页面增删：

1. 确认音频是基准素材：核对文件名、文件大小和校验和。
2. 新建本轮快照文件，命名如 run_nn_options.txt。
3. 逐个核对页面选项，先把当前取值抄进快照，再上传音频。
4. 上传后记录上传时间、工作区和所用账号。
5. 导出文本，命名如 run_nn.txt。
6. 与上一轮输出做 diff，把差异段落编号写入差异记录表。
7. 本轮若有意改动某一项，在快照里明确标出改动项，并写明其他项与上一轮一致。

清单里要区分两类项：一类是刻意固定的，例如识别语言、自动标点、说话人分离、输出格式；另一类可能随环境变化，例如模型版本和服务端状态，只能记录当时状态。留档位置建议统一成一个目录，放素材文件、每轮快照、每轮文本输出和差异记录表，文件名带轮次编号。这样下次再遇到两次结果对不上时，先翻快照就能判断是操作项变了，还是结果本身不稳定，再决定要不要回听原音频。