为什么纠错能力这么强

五层纠错机制，越用越聪明。

闻字 不只是语音转文字 — 它构建了一个多层纠错系统，越用越聪明。

问题所在

所有语音识别引擎都会犯错。即使是最好的 ASR 模型也会产生错误 — 尤其是在以下场景：

• 专有名词 — 人名、产品名、品牌名，模型从未见过的词汇
• 专业术语 — 领域特有的术语，如 "Kubernetes"、"OAuth"、"糖化血红蛋白"
• 同音词 — 中文尤其突出："萍萍"（人名）vs "平平"（平坦），"这里" vs "这俚"
• 标点与格式 — ASR 引擎通常只输出没有标点的纯文本
• 上下文缺失 — 每次转录都是独立的，引擎不知道你 30 秒前说了什么

大多数语音输入工具止步于 ASR 输出，让你自己手动修正这些错误。闻字 采取了一种根本不同的方法 — 它叠加了五个独立的纠错层，让单一策略无法捕获的错误也能被其他层捕获。

五层纠错

闻字 不依赖单一技术，而是叠加多个纠错层。每一层都能捕获前面层遗漏的错误：

  语音输入
      |
      v
 [ ASR 引擎 ]  ..........  原始转录（包含错误）
      |
      v
 [ 第一层 ]  ............  AI 增强（LLM 纠错润色）
      |
      v
 [ 第二层 ]  ............  词库检索（个人词库）
      |
      v
 [ 第三层 ]  ............  对话历史（近期上下文）
      |
      v
 [ 第四层 ]  ............  预览面板（人工审核）
      |
      v
 [ 第五层 ]  ............  自我进化（纠正反馈回路）
      |
      v
  最终文本  .............  准确、格式化、个性化

第二层和第三层通过向 LLM 的系统提示词注入相关上下文来工作。第四层加入人工监督。第五层通过将你的纠正反馈给第二层和第三层来闭合回路。最终结果是一个越用越好的系统。

第一层：AI 增强

当你启用增强模式（比如内置的纠错润色模式）时，闻字 会将 ASR 输出发送给 LLM，配合精心设计的系统提示词。LLM 充当智能后处理器：

• 修正同音错字 — 通过理解上下文来判断
• 添加标点 — ASR 引擎通常省略的标点符号
• 修正语法 — 在不改变原意的前提下
• 保留你的语气 — 提示词明确要求 LLM 做最小改动

示例：

• ASR 输出： 我们明天下午三点再会议室讨论一下那个项目的进站
• 增强后： 我们明天下午三点在会议室讨论一下那个项目的进展。

关键优势：LLM 理解的是语义，而不只是声音。它能根据句子上下文区分同音词 — 这是 ASR 引擎单独无法做到的。

增强模式是完全可自定义的 Markdown 文件。你可以创建翻译、格式化、代码生成或任何其他文本变换的模式。详见 AI 增强模式。

第二层：词库检索

通用 LLM 不知道你同事的名字、你公司的产品名称或你日常使用的专业术语。闻字 通过基于向量的个人词库系统来解决这个问题：

1. 构建 — 闻字 使用 LLM 从你的纠正历史中提取专有名词和专业术语。每个词条包含正确形式、分类和常见的 ASR 误识别变体。
2. 索引 — 词条使用多语言模型（paraphrase-multilingual-MiniLM-L12-v2）嵌入到向量空间，创建语义搜索索引。完全在本地运行。
3. 检索 — 当你说话时，ASR 文本被嵌入并与索引匹配。只有最相关的 Top-K 个词条被注入到 LLM 的系统提示词中。

它如何帮助你：

• ASR 输出： 把这个服务部署到酷伯上
• 词库匹配： Kubernetes（容器编排）— 变体：酷伯、库伯尼特斯
• 增强后： 把这个服务部署到 Kubernetes 上。

为什么用向量检索而不是关键词匹配？因为 ASR 错误是发音相似但写法不同的。多语言向量模型能捕捉到简单字符串匹配无法发现的语音相近关系。而且与把整个词库塞进每个提示词不同，检索是按需的 — 只注入相关的词条。

核心洞察： 词库系统本质上是一个轻量级的本地 RAG（检索增强生成）管线 — 专为语音输入纠错量身打造。

第三层：对话历史

真实的对话是有连续性的。当你说"她今天很开心"时，"她"这个字只有在之前提到过某个人的情况下才有意义。闻字 通过将你近期确认的输出注入到 LLM 的提示词中来解决这个问题。

核心洞察：你确认后的输出是你真实意图的最高质量信号。 与原始 ASR 文本（有错误）或 AI 输出（可能过度纠正）不同，最终确认的文本代表了你的真实意图。

注入的内容

只有通过预览面板确认的会话才会被包含。这是一个刻意的数据质量决策 — 少量经过验证的数据胜过大量未验证的数据。

注入的上下文（高效格式）：

- 将是否开启对话历史注入的功能，做一个开关放在菜单栏里。
- 现在测试一下历史上下文注入的功能。
- 果果今天在公园里遇到了平平。 → 果果今天在公园里遇到了萍萍。
- 平平对果果说我今天吃了面条。 → 萍萍对果果说我今天吃了面条。

箭头标记显示纠正模式。当 LLM 看到"平平"在之前被纠正为"萍萍"时，它就能在后续输入中自动做出同样的纠正 — 不需要你手动添加到词库。

解决三个问题

• 一致的实体解析 — 一旦你确认了"萍萍"，后续提到的同音词都会被自动纠正。
• 话题感知的增强 — LLM 理解当前对话主题，做出上下文相关的决策。
• 风格适应 — LLM 观察你的写作习惯，匹配你的语气和格式偏好。

第四层：预览面板

预览面板是 闻字 的人在回路界面。在文本被输入到当前应用之前，你可以审核和修改：

• 对比 — 原始 ASR 输出和 AI 增强结果并排显示
• 编辑 — 在可编辑的文本框中直接修改最终文本
• 切换模式 — 用快捷键（⌘1–⌘9）即时切换增强模式并重新处理
• 查看思考过程 — 查看 LLM 的推理过程（如果模型支持的话）

这不仅仅是一个便利功能。你在预览面板中的每次编辑都会成为系统的训练信号。当你把"平平"改为"萍萍"时，这个纠正会带着 user_corrected: true 标记被记录下来，反馈给第二层和第三层。

预览面板同时也是提示词调优工作台。你可以测试不同的提示词、对比不同模型、系统性地改进增强质量。详见 Prompt 优化工作流。

第五层：自我进化

这是把所有层串联起来的关键。闻字 创造了一个正向循环，你的每次纠正都在改进未来的纠正：

  你说话  ──►  ASR  ──►  AI + 词库 + 历史  ──►  预览面板
                                                      |
          ┌───────────────────────────────────────────┘
          |  （用户确认或纠正）
          v
  conversation_history.jsonl
          |
          ├──►  词库构建器  ──►  vocabulary.json  ──►  向量索引
          |     （提取术语）     （专有名词）          （语义搜索）
          |
          └──►  历史注入  ──►  LLM 的近期上下文

1. 你纠正了预览面板中的一个错误（如 "平平" → "萍萍"）
2. 闻字 记录 ASR 文本、AI 输出和你最终确认的文本
3. 对话历史立即生效 — 下一次输入就已经受益于你的纠正
4. 词库构建器定期从你的纠正历史中提取新词条，重建向量索引
5. 未来的输入获得更好的增强效果，因为 LLM 现在同时拥有近期上下文和个人词库

你用 闻字 越多，它就越好用。 你的纠正不仅仅是在修改当前文本 — 它们在教会系统你的词汇、你的偏好和你常谈论的话题。随着时间推移，你会发现需要纠正的地方越来越少。

完整示例：五层协同工作

让我们跟踪一个实际场景，看看所有五层是如何协同工作的：

场景： 谈论同事"萍萍"和一个使用 Kubernetes 的项目。

第 1 步 — ASR 输出： 你说："萍萍说把那个服务部署到酷伯上就可以了" ASR 产出：平平说把那个服务部署到酷伯上就可以了 错误："萍萍" → "平平"，"Kubernetes" → "酷伯"

第 2 步 — 词库检索介入： 向量索引发现 Kubernetes（变体：酷伯、库伯尼特斯）与输入语义接近。这个词条被注入到 LLM 提示词中。

第 3 步 — 对话历史提供上下文： 你的近期历史显示：平平对果果说... → 萍萍对果果说...。LLM 现在知道"平平"应该是"萍萍"。

第 4 步 — AI 增强结果（第 1+2+3 层）： LLM 结合词库上下文和对话历史，产出： 萍萍说把那个服务部署到 Kubernetes 上就可以了。 两个错误都被修正。标点已添加。

第 5 步 — 预览面板：你确认： 结果很完美。你按 Enter 确认。文本被输入到当前应用中。

第 6 步 — 自我进化：为未来记录： 这次会话被记录。下次你再提到"萍萍"或"Kubernetes"时，系统会更有信心做出正确的纠正。

对比其他工具

大多数语音输入工具属于以下两类之一：

• 基础语音输入 — 转录语音并直接输入。没有纠正、没有上下文、不会学习。每个错误都需要手动修正。
• 云端语音助手 — 对一般语音有较好的准确率，但无法针对你的词汇进行定制。没有纠正反馈循环。始终依赖云端处理带来隐私问题。

闻字 的不同之处在于：它将本地优先的处理（数据留在你的机器上）与智能、分层的纠错（适应你个人需求）相结合：