一场会议结束之后，往往没人记得第三个人当时具体说了什么。在正式场合，判断一台会议设备好不好用，标准不在参数表，而在后果：这里记串一句、那里错一个名字，代价是不是明显高于日常。
10月22日，科大讯飞董事长刘庆峰在1024开发者节主论坛上介绍了新发布的星火语音基座大模型SparkAudio 1.0，随后展示了一段用办公本拍摄的演示视频。据介绍，相关能力将于10月24日上线，同步推送到X5与Air3，用户升级后即可使用。
这项技术落在办公本上，改变的是记录里有没有"人"。讯飞办公本X5搭载了SparkAudio 1.0，据科大讯飞介绍，新版本在转写时会先按人把声音分开，再落成文字——机器不只要听清说了什么，还要判断这句话出自谁。
说话人分角色识别先要"分得开"：一场会有几个人在说话，每段发言标上"说话人1""说话人2"。这一步之后还有一个位置——让记录里出现名字。设备把声音分开，点开其中一个编号，把名字写上去；这个动作相当于完成了一次声纹注册，从此这段声音在这台设备上有了归属。
一台设备记住的名字越多，后面每一场会就越省事。新来的同事第一次开口，还是"说话人4"；补一次名字，第二次它就能自己认出来。名字写错了也能改，改过之后按新的记。这一层看起来只是省事，实际改变的是记录的性质：有名字的记录可以被引用、被署名、被追责，没有名字的记录只能算素材。
抢话是最容易被漏掉的部分。会议不是轮流发言，两个人同时开口、一个人没说完另一个就接上，这几十秒里往往就是分歧真正出现的地方。普通转写在这里会把声音糊成一片，或者干脆留白——最该留下的部分反而没了。
办公本能把重叠的声音按人拆开，各自归位。拆开之后，一段记录才谈得上完整：谁先提的、谁接的话、谁在中间插了一句，都各有归属。这一条不体现在任何指标上，它体现在散会后有没有人愿意翻这份记录——一份分不清谁在说话的纪要，看两页就会被合上。
术语是另一层。跨境谈判的条款名、技术评审的型号、会诊里的药名，念出来都对，写下来常常错一个字。错的那个字不会报警，它会一直躺在记录里，直到有人拿它当依据。
常用的词记过一次，下一次出现时已经在候选里。这会带来一个变化：用得越久，记录越接近这个行业自己的说法。设备记的不只是通用词汇，还有这家公司、这个团队内部约定俗成的叫法——对一家律所、一家医院、一家制造企业来说，这些叫法本身就是它的工作语言。
三件事加在一起，记录才真正落到人
单独看，这是三个功能；合起来，是一份记录能不能被称为"归档材料"的分界。
一场会里，这三件事往往同时发生。有人在抢话，有人在说英文缩写，有人被叫了外号。设备在同一段时间里把声音分开、把名字对上、把词认准，最后落成的东西，才经得起三个月后的翻查——不是"有人说过这件事"，而是"某人在某次会上说过这句话"。准是可以事后校对的，归属不能：三个月后没有人能凭记忆补上一个名字。这也是分角色识别在会议场景里格外要紧的原因——它决定了这份记录有没有主体。
落到一份记录上，这四个词有了具体含义。
归位：发言内容按发言人分段，各段归属明确。
留痕：发言人、时间、原文三项齐备，可回溯查证。
安全：上述处理均在设备内完成。
准：记录内容与原话一致，不作改写。
这四项构成"更可靠"的具体含义：归位、留痕、安全、准。其中安全是前提，留痕是结果；二者缺一，会议记录都难以承担组织资产的角色。
从"听懂"到"分清"
语音识别的目标，过去是把话说准、把字写对。这一类语音基座模型往前多走了一步：它开始分辨——谁在说话。分辨发生在模型里，把分辨的结果落到记录上是办公本的事。会议记录真正的成本不在记录那一刻，而在三个月后有人需要核对时：一份分得清谁在说话的记录，可以直接被引用；分不清的，只能从头再查一遍。
这套能力不是一次升级堆出来的。2019年讯飞推出第一代智能办公本，切入的正是专业会议记录；据洛图科技统计，在线上主流渠道的办公类电子纸产品中，科大讯飞连续四年市占率居首，累计销量突破200万台。
一个以开发者为主角的会开始讨论"谁说的"，说明技术已经走出了实验室。开发者关心能力能走多远，使用者关心它在哪里停下。而在这类场合，使用者要的其实很朴素：三个月后翻到某一页，能确定那句话是谁说的。
热门跟贴