技术向善理念，藏在一条迟到三秒的字幕里

上周三下午，评审会。小周是听障同事，靠实时字幕跟会。主讲人说“这个方案先灰度”，字幕蹦出来：“这个方案先飞度”。有人笑了。他没笑。我坐他旁边，看到他手指在触控板上停了一下。说实话，那一秒我有点懊恼。我们组做语音识别有些年头了，热词表里居然没有“灰度”。技术向善理念？听起来像墙上标语。落到这儿，就是一条字幕别乱飞。对，就这么土。

字幕为什么会“飞度”？先拆开看

字幕为什么会“飞度”？先拆开看 实时字幕不是魔法。声音进麦克风，先分帧，一帧几十毫秒；再提特征；声学模型猜音素；语言模型把音素拼成词；然后断句、加标点、上屏。要做“实时”，还得流式，边听边出。麻烦在缓冲：你要等一点上下文，准确率才稳；等多了，延迟上来。延迟三秒，开会的人已经换话题。字幕还在上一句。尴尬。 还有噪声、口音、专业词。会议室远场，混响像空房间。模型没听过“灰度”，就给你“飞度”。这不是模型坏，是概率。技术向善理念在这里不是让算法“善良”，是工程取舍：缓冲多长、热词怎么加、端侧还是云端、错误怎么让人一眼看出来。向善不是道德口号，是把默认值改到对用户更友好的一边。

向善不是加个开关，是把默认值改对

很多团队做无障碍，思路是“加个无障碍模式”。按钮藏三层菜单里。用户找不到。对吧？我们后来改了：会议一开，字幕默认开；延迟默认压到一秒内；专业词默认从日程和文档里抽热词；错词不硬改，先用灰色下划线标出来，点一下能看候选。听障用户要的不是“有字幕”，是“跟得上”。 这里有个取舍：端侧模型小，隐私好，延迟低，但准确率掉；云端模型大，准，但网络抖、数据出设备。我们做混合：本地先识别，敏感段落脱敏再上云增强。会议室麦克风阵列做波束成形，把主讲方向拾起来。VAD 检测谁在说话，说话人分离把“张三说”“李四说”标上。断句比标点更重要——字幕一长串，读起来喘不过气。可读性不是准确率的附属品，它是另一条指标。 听障人士使用实时语音转写字幕场景

几个常见误会

误会一：技术向善等于免费公益。真不是。模型要跑，带宽要钱，维护要人。免费字幕如果延迟五秒、错字连篇，用户更受挫。误会二：准确率上去就万事大吉。错。听障用户跟我吐槽过：字都对，但说话人没标，三个人抢话，字幕像一锅粥。误会三：隐私可以后补。字幕流是会议内容，敏感得很。我们后来默认本地留存 24 小时，云端不留原文，只留脱敏特征。 还有方言。模型在普通话上刷分好看，到了西南官话就露怯。这不是加数据就能一夜解决。边界也清楚：大型线下讲座，人工速记加字幕员仍然稳；强噪声车间，语音字幕不如振动提示；老人不会开功能，得做开机引导。技术向善理念不是万能钥匙，它更像一条约束：先想清楚谁会被漏掉，再决定模型往哪儿调。 语音识别前端降噪与麦克风阵列示意图

我自己的三条土标准

我自己的三条土标准 做任何“向善”功能，我先问：延迟用户能感知吗？错误用户能恢复吗？关闭容易吗？延迟超过两秒，对话就断。错误不能恢复，用户只能干瞪眼。关闭藏太深，等于强迫。听着很朴素。但比写十页伦理原则管用。 话说回来，技术向善理念也不是让工程师当圣人。它更像产品里的一个默认值、一个失败提示、一个可撤销按钮。小周后来跟我说，那天他其实猜到了“灰度”。但他不想每次都靠猜。嗯。这句话我记到现在。字幕别再飞度了，行吗？