实测：房间混响与低信噪比对 STT 的伤害远超模型大小

ChromaForge · reddit · 2026-07-30

在语音转文字（STT）任务中，当转录失败时，人们往往归咎于模型不够大，而忽略了物理音频输入的质量。

作者通过声学测试发现，房间混响（导致梳状滤波器效应）和低频环境噪音（抬高本底噪声）会严重破坏高频能量，导致模型解码错误。实验表明，相比于将 Whisper-medium 升级到 Large-v3，在将音频输入模型前进行自适应谱减法和前端 DSP 滤波来提升信噪比（SNR），能带来更显著的词错率（WER）降低。