圖說：墨寒仔細聆聽，讓不確定的聲音停在猜測之前

昨天談 Realtime 時，我說真正觸發回答的應該是「確認完成的使用者句子」。今天要追問：那句文字本身就一定可信嗎？

麥克風聽見的是聲音，AI 回答需要的是文字，中間要經過語音辨識。環境有風扇聲、我的口音與專有名詞，網路也會影響處理。如果辨識把一句話聽錯，墨寒仍可能很認真地回答錯的問題。更麻煩的是，系統為了幫助辨識而提供的提示文字，有時竟可能被當成使用者說的內容送回來。

那一刻我才明白：介面顯示出一行字，不代表墨寒真的聽懂；至少還要確認這是完整結果、不是重複結果，也不像系統自己提供的提示。

轉錄提示是提示，不應該變成我的台詞

為了提高人名、角色名或語言的辨識率，程式可以提供簡短提示，告訴轉錄服務可能出現哪些詞。問題是提示如果寫得太像完整命令，例如「請使用自然清晰的繁體中文，不要改寫」，某些失敗情況可能把這段話原樣當成轉錄結果。

如果程式毫無防備，墨寒就會收到一個我根本沒說過的問題，接著開始回答系統自己的說明。從使用者角度看，就像她突然自言自語。

目前的做法，是在送出前先把提示縮短，保留必要的詞彙，不讓它像一整段指令；結果回來後也會比較，如果文字高度像原始提示，就略過這一輪。這不是宣稱能識破所有誤辨識，而是先阻止一個已知而可重現的錯誤路徑。

為什麼要有「混合轉錄」？

Realtime 重視速度，但完整一句話結束後，還可以用較完整的音訊再做一次高精度整句轉錄。墨寒目前保留這條混合路徑：即時連線負責對話節奏，句子結束後的轉錄負責提供較可靠的最終文字。

我把它想成現場速記與會後校稿。速記讓人跟得上，校稿則降低關鍵字聽錯的機會。不是兩份結果都拿去問 AI，而是等待確認哪一份才是本輪最後要使用的文字。

這裡又碰到昨天的去重問題。即時事件、完成事件與外部整句結果可能先後抵達；程式必須保證同一輪只送出一次，不因為準確度提升而換來兩個回答。

混合轉錄也不是免費午餐。要保留這一輪必要的短暫音訊，再送去做整句處理，可能增加一點等待與雲端請求。程式應只保留完成本輪辨識需要的資料，不把錄音無限制累積成私人聲音資料庫；停止或失敗後也要清理狀態。使用者若更重視速度，未來仍可能需要不同選擇，但預設策略至少要把準確、等待與隱私的取捨說清楚。

沒聽清楚時，沉默比亂猜好

語音產品很容易害怕「沒有反應」，於是遇到空白或失敗也想找點東西回答。但對一位助理而言，憑空猜測比請主人再說一次更糟。

墨寒若沒有取得有效轉錄，這一輪就不應自動觸發回答。介面可以說明沒有聽清楚或轉錄失敗，讓我重新說；不能把噪音當命令，也不能沿用上一輪文字。

這項原則對未來工具操作更重要。一般聊天答非所問只是尷尬，如果語音被誤認成「刪除檔案」或「傳送郵件」，後果完全不同。即使後面還有權限確認，輸入端仍應盡量拒絕不可靠的內容。

同時，轉錄文字應該讓使用者看得見。若墨寒答非所問，我可以先確認畫面上記錄的是不是我原本的句子；若文字就錯了，問題在耳朵，若文字正確卻回答錯了，才往理解與模型方向追。這個小小的可見性，讓非工程師也能參與除錯，不必只對著「她怪怪的」猜測。

繁中、簡中與英文也會影響耳朵

昨天以前，我常把語言設定想成畫面文字；實際上，轉錄也需要知道主要語言。繁中與簡中同樣屬於中文，輸出的字形與後續語言規則卻不完全相同；英文則更明顯。

程式要依目前語言準備合適的辨識設定，同時避免把簡中結果再送進台灣繁中修正路徑。這不代表只要指定語言就永遠不會聽錯，而是至少不要由自己的設定主動製造錯誤。

人名、作品名與中英混說仍是最需要真實語音測試的地方。自動測試可以餵入既定文字，檢查提示不會回灌、完成事件能去重、失敗不回答；它無法替代我在不同麥克風、噪音與口音下實際開口。

我也會留意被辨識出的文字是否意外包含祕密資訊。對話與轉錄可能進入本機歷史，截圖、支援包與文章素材就不能隨便把真實內容公開。測試最好使用虛構句子；需要分享錯誤時先去識別化，而不是為了證明功能把自己的對話紀錄整包上傳。

我驗收的不只是「有字跑出來」

這一篇如果只錄一段乾淨語音，看到正確文字就結束，會漏掉真正麻煩的部分。我會故意製造短音、空白、重複完成訊號、轉錄失敗與疑似提示回傳，確認系統不會亂答；再用實機說包含「墨寒」、作品名稱與日常句子的內容，觀察錯誤是否能被看懂並重新嘗試。

我也不會把混合轉錄寫成百分之百準確。它是提高最終文字可靠度的設計，仍受模型、音質與環境限制。能誠實承認「這輪沒有聽清楚」，本身就是自然互動的一部分。

對我而言，這比讓介面永遠表現得很有自信更像真人。人也會聽錯，也會請對方再說一次；差別在於錯了以後是否坦白，是否保留讓主人看見與修正的機會。

語音到這裡，終於有了比較可靠的文字。接下來墨寒要開口，而她的嘴不能只是隨著音量隨便張合。Day 11 我會談 A、I、U、E、O 嘴型，以及我為什麼會為了一個像素的嘴唇邊界反覆檢查。

語音辨識永遠可能出錯；涉及外部操作時，轉錄結果仍須經過意圖、權限與使用者確認，不能因為「AI 聽起來很確定」就直接執行。