接着聊一下 Boya博雅Notra小录方，今天在谷歌开发者节上，我几乎是全程开着这个东西在录的。那三张思维导图就出自于它。总共录下来四个多小时的音，耗电百分之三十多，正常情况下普通人用肯定是绰绰有余了。

市面上大部分 AI 录音转写类的设备，基本都是卡片式，磁吸，用来吸附在手机背面。只有少数采用了无线麦克风形态。两种形态的区别在于：后者在相同的使用场景下，多出了一个使用位置。

第一种，卡片式的形态，它基本就适合放在会议室里，房间不大，你把手机放桌上也没人说什么。另外就是大会场，能不能录清楚，看命。这个形态解决的主要问题，不是录音，是转写。大部分 AI 厂商出得就是这个形态，甚至强绑定某家 AI 转写模型，卖的是转写服务本身。

第二种小录方这样的麦克风形态，它不但在会议室，会场，这种卡片式同样的场景里能用，还多了另一个位置，就是主讲人的身上。腕表式，挂脖式，领夹式。如果你能搞定讲师戴着它的话，录音的效果能提升一大截。再不济，你还能想办法固定在讲师的麦克风上。

记住，转写的效果，好不好，以现在的时代来说，其实不单单取决于模型。模型决定下限，而音频质量决定上限。我今天在大会场里测试小录方就是在测这个，今天基本上把影响 AI 转写设备效果的三个最大的敌人都遇上了。

• 混响：音节的尾音会拖到下一个音节，彼此污染。
• 远场：DRR（直达声和反射声的比值）低，频谱包络自然就不干净。
• 多声源：VAD（语音活动检测）和说话人分离会先失效。

这三个都是物理问题，模型救不回来。

此外，很多人觉得降噪消噪是个好东西，在通话里确实如此，但有的场景里不是。AGC、DNN 降噪、回声消除，在转写里可能是灾难。降噪会切掉弱辅音和齿音，而术语辨识恰恰最依赖这些高频细节。更麻烦的是，现在的神经网络降噪是重建语音，重建就意味着它也在猜，而且猜的是常见音节。

所以你如果需要的是真正优秀的转写，可能得去看看你的设备里，直接录下来的声音，有没有被处理过。转写设备传到手机上被处理是很正常的，但如果有一份更原始的录音文件，比如 ASR 的标准原料，16kHz / 16bit / 单声道 / 未压缩，那会更好。（注：标准只是下限）

这里的另一个问题，你从手机里导出来的这份录音文件，文件头里可能有类似于 ISFT = Lavf61.7.100 这种字，这是 FFmpeg 的 libavformat 写进去的封装标签，这意味着手机上导出的，其实不是设备里的原始文件。

APP 导出时大概率做过重采样（比如 48k → 16k）和重封装。当然，升采样率对 ASR 基本没用，所以最关键的其实是，你的录音设备有没有多声道。如果原始录音文件有多麦克风的话，那么波束成形或声源选择，可能才能让转写效果获得最实打实的提升。

好听和好识别，在 ASR 领域里是两个目标。

所以如果你的转写设备有降噪开关，我给你的建议是，做一次对照，同一段话，开关各录一遍，比频谱差异。对照下来如果高频被削、或者转写明显变差，就关掉。你录下来的音频文件的目标是机器读，不是人听。

最后，我可能有点其他的想法，博雅是做音频的厂商，我买的其实是一个带有云端转写的录音设备。所以它的转写服务与自家其实没什么关系，因此等会员到期了，说不定我可以直接自己改成喜欢的其他转写模型。

但是如果你买的是模型厂商出的，那人家卖的就是服务，你买的其实是一个有录音功能的转写服务，你想换模型，就等于要重新花钱买新的设备。

大部分人想买的实际上是转写模型，而它卖给你的是绑定。