错字集中在人名和术语时，先别急着重录，也别立刻铺一张大词表。通常先做一次成本对照：把错字按时间戳落回原音，看它是集中在某几个说话人、某几段噪声明显的录音，还是全篇均匀出现；再挑同一段文本、换一套更好的采集条件重录一次，比对错字的数量和位置。如果重录后错字明显减少，瓶颈在音源，优先改采集；如果同一个错词在多个说话人、多次录音里稳定复现，说明模型对这个词的先验不足，用词表统一替换更划算。两条路不是二选一，多数情况下是先改能改的采集条件，再把剩下的错词沉淀成词表。

先做一遍成本对照：把错字按时间戳回听原音，确认它是否集中在少数说话人、少数词或某类噪声段落。若重录同一段内容后错字明显减少，优先改采集；若同一错词在多个说话人、多次录音中稳定复现，就把它写进词表做统一替换。词表要带上下文限制条件，避免误替换，并放到项目里可版本管理的位置，而不是留在个人本地目录。

回听原音，标出错字集中的时间段

先把转写结果按带时间戳的格式导出，很多转写工具都支持逐句带时间戳的文本或字幕文件。没有时间戳就无法判断错字是散落还是聚集，这一步不能省。把错词逐个回听，固定记录三项：出错时间点、对应的说话人、该段落的背景噪声情况（安静室内、键盘声、空调底噪、多人抢话、远处回声等）。

# 假设逐句导出为 TSV：起始时间 说话人 文本
grep -nE '张宏|失焦|微服' transcript.tsv
# 再把命中行按起始时间排序，观察是否聚成几段
sort -k1,1 transcript.tsv | grep -E '张宏|失焦|微服'

判断口径可以先用定性标准：错字只落在两三个说话人身上，先查这几个人是不是离麦更远、语速更快或咬字更松；错字落在某几段时间里，先查那几段的噪声；如果每个说话人、每个时间段都有，而且错词各不相同，多半是通用识别能力问题，不是单点音源问题，这时候做词表的收益会更明显。

检查录音端的采集条件：距离、增益、有无回声

跟着时间戳回到那几段录音，检查三个采集条件。

• 麦克风距离：超过一臂的长距离拾音，会让高频辅音先衰减，人名这种短音节最容易糊掉。可以先量一下实际距离，再决定是否换近讲麦或加领夹麦。
• 是否出现削波：用 ffmpeg 看整轨峰值，文件本身不会说谎。若峰值贴近满刻度，先降增益重录，不要在后期硬修。
• 环境噪声类型：稳态底噪（空调、风扇、投影仪）可以靠近距离录音拉开信噪比；突发噪声（键盘、关门、桌椅拖拽）通常只能换时间段或换房间，后期降噪很难补回人名。

ffmpeg -i take01.wav -af volumedetect -f null -
# 关注输出里的 max_volume，贴近 0 dB 说明该段很可能已经削波
# 再看 mean_volume 与 max_volume 的差距，差距过大通常意味着增益设置不稳

回声靠回听判断：尾音有拖尾、像是在空房间说话，混响会把人名的辅音抹掉，这类段落重录的收益往往大于做词表。需要结合环境确认的是，同一支麦克风在不同房间的表现可能差很多，别用一次录音的结论覆盖所有场景。

挑同一段内容用更好的条件重录一次做对照

不要整体重录，先挑一段做对照。选一段包含最多错词的 30 到 60 秒文本，用更好的条件重录：离麦更近、增益调到不削波、关掉空调或换到安静房间。一次只改一个变量，比如只改距离，或者只关噪声源，否则无法判断是哪个条件在起作用。

• 同一段文本：以句为单位编号，保证两版能逐句对齐，这是对照有意义的前提。
• 两种音源：文件名里带上条件，例如 take01_orig.wav 与 take01_close.wav，不要用“新版”“改后”这类含糊命名。
• 错字数量与位置：逐句记录错词，以及它错在句子的第几个词，位置信息比数量更能说明问题。

# 通用对照表，建议与音频放在同一目录的 notes 里
句子编号  原文        原音源转写    重录音源转写
S01       张泓        张红          张泓
S02       微服务治理  微服治理      微服务治理

这里只看方向，不看具体比例。重录版的人名和术语错字如果从“几乎每句都有”变成“偶尔出现”，采集就是主要瓶颈；如果两版错在同一个词、同一个位置，说明改采集没有解决它，词表是更稳的做法。对照做完再决定投入方向，比凭感觉换设备省事。

把反复出错的词整理成替换词表

词表至少要有三列：原词，即转写输出里实际出现的错字；目标词，即正确写法；上下文限制条件，即什么情况下才允许替换。限制条件是关键——人名和术语经常与常用词同音，无条件全局替换会把本来正确的地方改错。

// glossary/replacements.json
{
  "rules": [
    {"from": "张红", "to": "张泓", "speaker": "张三"},
    {"from": "微服", "to": "微服务", "pattern": "微服(?=架构|调用|治理|拆分)"},
    {"from": "某内部代号", "to": "正确写法", "note": "确认无歧义后再启用"}
  ]
}

带上下文的规则用正则先行断言表达，只在后面跟着“架构、调用、治理”这类词时才替换；不带上下文的规则只用于确实不会歧义的专有名词，并且最好限定说话人。脚本先跑 dry-run 输出命中列表，人工确认后再落盘，避免一次性把稿子改花。

import json, re
rules = json.load(open("glossary/replacements.json", encoding="utf-8"))["rules"]

def apply(text, speaker=None):
    for r in rules:
        if r.get("speaker") and r["speaker"] != speaker:
            continue
        if r.get("pattern"):
            text = re.sub(r["pattern"], r["to"], text)
        else:
            text = text.replace(r["from"], r["to"])
    return text

# 先对一份稿子跑一遍，把每条规则的命中句子打印出来核对

替换建议只对最终稿做一次，不要在每轮校对里反复叠加，否则规则冲突后很难回溯是哪条改的。每条规则后面记一行来源，例如首次出现的时间戳和说话人，以后判断这条规则是否还成立就有依据。

决定后续同类录音是先改采集还是先做词表

一条可直接复用的判断线是看错字是否与音源条件相关。用上一步对照的结论：重录后错字减少或位置改变，属于该改采集；重录后同一个错词在同一个位置复现，并且在多个说话人、多个场次都出现，属于该做词表。

• 改采集：适用于单人近讲、访谈、固定工位的会议。动作是固定麦克风距离、把增益调到不出现削波、关掉稳态噪声源，再重录一次验证。
• 做词表：适用于音频已经无法重录，或者人名与术语本身是固定集合（客户名单、产品名、内部代号）。动作是把反复错的原词、目标词、上下文条件写进词表，统一跑一次替换。
• 两者都要：人名靠词表兜底，采集条件负责把整体听感拉回来。通常是先改善还来得及改的采集条件，再把剩余错词沉淀进词表。

验证方式是下一次同类录音转写后，重新跑一遍第一步的时间戳统计，看同一批错词是否还出现、是否还在同一位置。词表文件的留存位置建议放在与录音项目同级的 glossary/ 目录下并纳入版本管理，例如 glossary/replacements.json 与 glossary/terms.tsv，规则的新增、启用和停用都留记录，不要只放在某个人的本地目录里，否则换人接手时词表就丢了。风险边界也在这里：词表越长，误替换概率越高，每条带上下文的规则都要能解释为什么不会误伤；某条规则长期没有再次命中，可以先停用，不必直接删除。