会议转录瓶颈已不是准确率，而是多人说话人归属识别

Mysterious_Sign_9501 · reddit · 2026-08-26

作者在测试多款 AI 会议转录工具后发现，当前引擎的字级准确率已非常高（90% 以上），真正的瓶颈在于多人对话尤其是重叠说话时的说话人归属。错误的归属比 99% 准确率的错误文本更致命。作者测试了 Otter 和 Vomo.ai，发现 Vomo 在 3 人以上场景表现较好，但重叠语音仍未完全解决。作者疑惑这是研究难点还是工程优先级问题。