指南

如何转录一场你需要准确引用的访谈

自动转录如今已经好到可以拿来干活，但仍然没好到可以闭着眼睛引用。差的那一步是一遍核对，只需几分钟，而不是几小时。

30 August 2026

自动转录以一种很具体的方式改变了访谈工作。它没有免去你核对引语的必要。它免去的是为了找到这些引语而把九十分钟对话逐字打出来的必要。

这是个不小的变化，而它只有在你保留核对这一步时才成立。下面这套方法的前提是：文稿是音频的可搜索索引，而不是一份成品文档。

录制之前 #

这里的两个决定，比你事后做的任何事都更省时间。

**把录音设备放在对方身边，而不是你身边。**文稿不可用最常见的原因，就是一部平放在咖啡馆桌面上、夹在两人之间的手机，把浓缩咖啡机录得和采访对象一样响。把手机靠在什么东西上立起来、朝向对方、距离一米左右，效果会好得多。外接麦克风还要更好，但很少有必要。

开头出声说清楚谁是谁。"今天 30 号，我在和陈博士谈试验结果。"十秒钟，而它会进入文稿，成为一个你可以搜索的开头。如果你要录很多访谈，这就是"一堆叫 New Recording 47 的文件"和"一份存档"之间的区别。

开始转录 #

操作本身很简单。真正值得有意识去做的决定，是音频去了哪里。

大多数转录服务会把你的录音上传到服务器。对于访谈，这是个实际问题，而不是哲学问题：

• 如果你答应过消息源保密，那么把录音发给第三方这件事，别人问起时你应当能够准确说明。
• 如果采访对象谈到的内容受保密协议、医疗隐私或伦理审查约束，"我们把它上传到了一家保留 30 天的美国服务"可能违反你同意过的条款。
• 如果你在外场没有信号，基于上传的工具根本用不了。

本地转录绕开了这一切：文件从磁盘读取，在你的机器上转录，从不发往任何地方。如果你想亲自验证这个说法，而不是听信任何人的一面之词——包括我们的——我们写了三种你自己动手测试的方法。

用 Offline Transcription 时，把录音放进去，如果不是英语就设好语言，然后转录。九十分钟的访谈在 Apple Silicon 上要几分钟。

核对这一遍 #

这是真正重要、也是大家会跳过的部分。

你不是在通篇校对文稿。你是在核实你打算发表的那些具体句子，外加已知容易聚集错误的那些位置。

**逐条对照音频核对你打算使用的每一句引语。**不是它周围的那一段——是引号里面的字。如果这句引语要署着某人的名字见报，这一步没有商量余地。

这四件事要全篇都查：

1. **人名与机构名。**Whisper 会很有把握地把一个不熟悉的姓氏写成一个发音相近的常用词，而且完全不会给出任何"我不确定"的信号。
2. 数字。"Fifteen"和"fifty"相差一个音素，也相差一个事实错误。快速说话时的"million"和"billion"同理。
3. 否定词。"我们没有考虑过那个"和"我们考虑过那个"只差一个很短、说话时很容易被吞掉的词。这是会让人吃官司的那类错误。
4. **抢话。**两个人同时说话的地方，文稿会把他们混在一起，一整句话甚至可能被完全归到错的人头上。

**让这件事变快的机械技巧：**在一个每行都带有自己时间戳的分段视图里工作，只播放那一行对应的音频，而不是去拖波形。这样核对十二条引语就是十二次点击，而不是在九十分钟里翻找十二次。在我们的应用里，"分段"视图正是这么做的——选中一行，按播放，只听到那一行。

说话人标注 #

基于 Whisper 构建的东西，没有一个能可靠地识别说话人。提供这项功能的工具跑的是另一个说话人分离模型，结果在安静房间里两个人的情况下还不错，在热闹场合四个人的情况下就很差。

对于常规的两人访谈，实际的做法是在用到的时候自己改：你知道哪个声音是你的，而等你去摘引语时，反正也在听那些片段。不要建立一套依赖自动标注正确的工作流程。

让文稿以后仍然有用 #

两个习惯，成本都很低：

**导出时带上时间戳，不要只导文字。**纯文本是你写稿时用的；带时间戳的导出，是半年后事实核查找上门时让你重新定位那个瞬间的东西。如果你想在表格里排序或筛选，CSV 很适合。

**保留音频。**文稿是衍生产物。万一某句引语引发争议，证据是录音，不是文稿。

简短版本 #

靠近采访对象录音，并出声报出访谈信息。在本地转录，这样录音仍然是你的，而且没信号也能用。然后逐条对照音频核实你打算发表的每一句引语，并全篇检查人名、数字、否定词和抢话。使用带逐行播放的分段视图，核对就只要几分钟。

文稿是对所说内容的一份快速索引。你的引语，仍然出自录音。