口述转书面语最容易误判的地方，是把语音识别层的错字和书面化层的删改混在一起算账。要判断「嗯、那个、就是说」这类口语成分会被怎么处理，先留一份 ASR 原始转写，再拿书面化输出做并排比对，才能区分「识别没听清」和「SayIt 主动改写」。通常纯语气词（嗯、呃、啊）会被删掉；起停顿或引导作用的「那个」「就是说」可能删、也可能被换成书面连接词；连续重复的词通常只留一次。这些结论必须在你自己的文本上跑出来，不要照搬别人的观察。
判断口语词保留还是删除，关键动作是先把原始转写和书面化输出分两栏记录，再按单句、长句、对话式三类分别看：只删词、不改语序，说明是挖词式处理，漏删容易发现；出现合并分句、补主语、改语序，说明是结构化重写，语义偏移更难发现。输入语速和停顿会影响分段粗细与标点密度，但通常不会改变「是否删语气词」这个基本行为。否定词、数字、专有名词必须逐句人工核对，别指望自动还原。
准备一段包含语气词和重复词的口述文本
先固定一份可重复使用的输入样本，否则每次说的话不一样，输出差异无法归因。建议录一段 30 秒到 1 分钟的连续口述，覆盖三到五句话，语速贴近你日常通话或开会时的状态，不要刻意放慢，也不要一边翻资料一边说。中途不要剪辑，保留自然的停顿和口癖——观察点正是这些成分。
嗯，那个，我们上周就是说把日志采集这块重新梳理了一遍，
然后呢，嗯……原来的切分规则有点问题，就是说按小时切的话，
那个小文件太多了，然后我们先改成按天切，就是这周先观察一下，
后面再看看要不要按小时。样本要贴近你自己的说话习惯：如果你平时几乎不说「就是说」，就不要为了做实验硬加，否则得到的结论对你不适用。录完先原样保存音频或原始转写，再进入下一步。
把原始转写与书面化输出并排记录
先确认工具能不能给你看到未书面化的转写文本。有些界面只展示最终输出，这时可以看页面上的转写视图、导出文本或运行日志；如果部署时提供了「只转写不润色」的开关，也可以先用它拿一份原始转写。具体开关名和位置需要结合你的部署方式确认，不要凭猜测去改配置。
拿到两份文本后，按下表逐行对齐记录。对齐比整体读一遍更有用，因为口语删改往往是零散的。
| 行号 | 原始转写片段 | 书面化输出片段 | 变化类型 | 备注（判断依据） |
|---|---|---|---|---|
| 1 | 嗯，那个，我们上周就是说 | 我们上周 | 删除 | 三个口语成分全删，其余词序未变 |
| 2 | 然后呢，嗯…… | （无对应内容，或并入下句） | 删除 / 合并 | 需核对是否引起断句变化 |
| 3 | 就是说按小时切的话 | 按小时切的话 | 删除 | 词序保留，属挖词式 |
| 4 | 那个小文件太多了 | 文件太碎了 | 替换 / 改写 | 数词和描述被改写，需判断是否改变原意 |
| 5 | 就是这周先观察一下 | 这周先观察一下 | 删除 | 「就是」作语气引导，被删 |
表格里留一列「备注」很关键：把识别错误（例如人名、术语被听成同音词）单独标出来，不要算进 SayIt 的删改统计，否则你会高估它的改写幅度。
在输出里定位语气词和重复句的处理边界
判断它只是简单删词，还是结合句子结构重写，可以把同一段内容拆成三种说法分别跑。以下三项都按「是否删词、是否改语序、是否合并分句、标点和分段怎么变」记录。
- 单句口述：一个意思说成一句，例如「嗯，把那个超时时间改成三十秒」。观察输出是否只剩主干、有没有擅自补主语或改单位。
- 长句口述：一口气说多个分句，中间夹插入语，例如「我们先把切分规则改成按天，然后，就是说，先不动索引，这周观察一下再决定」。观察插入语被删后，剩下分句是被合并成一句，还是拆成两句。
- 多人对话式口述：自问自答或模拟两人对话，例如「这样行不行？我觉得行，但是要先确认存储」。观察它是否保留了问答的层次，还是压成一段平铺叙述。
如果输出基本保留原词序、只做删除，说明偏挖词式处理，你只要检查有没有删过头即可。如果出现补主语、调换分句顺序、把口语转折改成书面连接词，说明进入结构化重写，这时要逐句核对原意是否被改变，特别是条件和否定关系。
用同一段口述改语速和停顿再跑一次
用第 1 节那段文本，录第二个版本：语速放慢，句与句之间明确停顿一到两秒，不再把插入语连读。两个版本用同一套配置跑，避免把参数变化误当成输入节奏的影响。
| 观察项 | 版本 A：正常语速、少停顿 | 版本 B：放慢语速、句间停顿 |
|---|---|---|
| 分段数量 | （记录实际值） | （记录实际值） |
| 停顿处是否断句 | （记录实际值） | （记录实际值） |
| 逗号 / 句号密度 | （记录实际值） | （记录实际值） |
| 语气词是否仍被删除 | （记录实际值） | （记录实际值） |
| 长句是否被合并 | （记录实际值） | （记录实际值） |
常见的情况是：停顿位置会影响断句位置和标点密度，说得越慢、停得越清楚，输出越容易按你的停顿分段；而语气词是否被删，在两个版本里通常表现一致。也就是说，语速停顿是影响排版颗粒度的可控变量，不是控制「删不删口语词」的开关。如果两版差异很大，先怀疑是不是识别错误或分段阈值在起作用。
形成个人口述使用边界
把上面的观察落到使用习惯上，边界大致可以这样分。
适合直接口述的场景：
- 结构固定的短内容，例如日报要点、会议待办、一条问题描述。
- 你心里已经把条理想清楚了，只是需要快速落成文字。
- 只需一段话表达结论、不涉及其他人反复引用的内容。
需要先列提纲或人工润色的场景：
- 多步流程、操作手册、有前提条件的方案对比——分句合并和语序调整最容易在这里改变原意。
- 含数字、单位、专有名词、人名和接口字段的正式文档，识别错误和改写会叠加。
- 涉及否定表述的内容，例如「不建议」「无需重启」，必须逐句核对否定词是否还在原位。
- 会被他人引用或留档的规范、对外说明、合规相关表述。
- 多人协作的接口约定，指代对象必须明确，不能靠上下文猜。
一个省事的做法是：口述完先自己读一遍输出，只做三件事——补专有名词、核对数字和否定词、确认每段只讲一件事。做完这三步再决定要不要手动补回被删掉的语气词；多数情况下，书面表达里不需要把它们加回来。