打开任何一家 AI 会议纪要工具的产品页，「转写」旁边站着的几乎总是一个形容词：准确、可靠、极其精准。再往下追问这个形容词是拿什么量出来的，对话往往就换了话题。这件事奇怪的地方在于：转写准确率是这个品类里少有的、几十年来一直用同一套公开方法度量的指标。尺子是现成的，算法是公开的，任何手里有测试集的厂商明天就能报出数字。这篇文章讲清这把尺子怎么用：CER（字符错误率）和 WER（词错误率）各自怎么算，两者的差别为什么比大多数产品对比愿意承认的更重要，指标没有覆盖到的是什么，以及如何不必相信任何人的形容词，亲手评估任何一款转写工具，包括我们自己的。
错误率到底在量什么
所有错误率指标，无论以什么为单位，都建立在同一个比较上。把系统吐出的转写（行话叫「假设文本」）与一份参考文本对齐；参考文本由人工逐句听写并复核，代表这场会议「真正说了什么」。然后数两份文本不一致的地方，它们恰好分成三类。替换是写错了的：说「季度」被写成「急度」，或者整个人名张冠李戴。漏听是系统没接住的：从一个含糊吞掉的词，到整句离麦克风太远的话。多听则是反面：转写里站着一个没人说过的内容。三类计数相加，除以参考文本的长度，就是错误率。零分意味着逐字一致；每高一分，就多出一部分需要人工返工才能放心使用的会议记录。
这套对齐逻辑，和拼写检查、文件 diff 用的是同一族编辑距离算法，只是对象换成了语音。它适合当尺子，有两个原因。其一，它用同一种货币惩罚所有方向的失败：漏掉一句话，写错一个产品名，凭空编出一句话，都要付账，所以靠「自信地猜」换不来好看的成绩。其二，它对不同系统对称：两套工具对着同一份参考文本打分，口径完全一致，这正是营销文案不具备的性质。可比性让这个指标在产品页上显得无聊，在工程上却有价值。
有一个细节，值得在读任何厂商的数字之前先内化。因为「多听」也计入总分，一个爱往转写里塞没人说过的词的系统会被主动惩罚，分数甚至能爬过一般读者以为的天花板。这是特性，不是缺陷，而且恰恰在会议场景里最重要：人们真正害怕的不是漏掉一个语气词，而是凭空出现的行动项、被改写成没人同意过的样子的决策。在算术上，这一整类失败全部落在「多听」的账上。你还会看到有厂商把话术反过来，公布「准确率」，也就是用满分减去错误率，信息完全相同，包装更讨喜。无论数字朝哪个方向表述，决定它有没有意义的都是同一个问题：怎么测的，在什么上测的。
WER 与 CER：两把尺子量两种语言
词错误率（Word Error Rate，WER）把上述算术放在「词」上进行，天然适合英文这类用空格分词的语言：参考文本的长度就是词数，听错一个词记一次替换，结果读作「这场会议里有几分之几的词需要人工处理」。WER 作为英文语音识别的标准报告指标已经用了几十年；一款工具若主要听英文，通常直接问它要这个数。
字符错误率（Character Error Rate，CER）把同一套算术放在「字」上。对中文、日文这类不用空格书写的语言来说，CER 是更公允的尺子；原因在结构，值得理解而不是死记。要算中文的 WER，得先回答「词在哪里」，而书写系统并不标出这些边界。分词是一个建模决定，同一句话完全可以有几种都合理的切法；切法一变，参考长度变了，什么算「错一个词」也变了。两位评测者用不同口径，能从一模一样的转写里算出不同的 WER，而这正是基准指标不该有的含糊。CER 把这场争论整个绕开：字数没有歧义。何况在中文里，一个字往往就承载一个词的语义，字才是诚实的计量单位。
在语言混杂的会议里，CER 的价值还要翻倍，而这类会议占全球会议的比例一直在涨。普通话产品评审夹着英文术语，英文站会里蹦出一个日文供应商名，客户电话在普通话和方言之间来回切换：只要句子的语言一切换，按词计数就继承了分词器关于「一种语言的词到哪里为止」的全部假设。夹杂句里那个英文词算一个词还是拆成几段，不同实现答案不同，WER 随之漂移。按字计数不受影响，继续数它的字。CER 还按人们真实体验的方式给错误记分：把一个术语写错一个字，是小而可恢复的错误，而不是整词报废，这也更接近读者消化一份略有瑕疵转写的方式。
还有一个读数常识把这一节串起来：两个数字不在同一把刻度上，而这是准确率对比最常见的误导方式。英文一个词平均好几个字符，同一份转写按 CER 算出的数通常比按 WER 算的小，因为错误被摊到了更细的单位上。一家厂商报 CER、另一家报 WER，两者放在一起根本不构成比较，那是两把不同的尺子量出的数。比较任何数字之前，先确认各自用的指标；答不上来的厂商，这个事实本身就是评测结果。
中文会议与中英夹杂：CER 为什么更公允
真实的中文会议很少「纯中文」。产品评审里夹着英文技术名词，周会里出现英文产品代号，技术讨论里混着 API、模型名和命令行片段，偶尔还有日文、韩文的供应商与人名。语言一切换，按词计数的 WER 就把分词器的所有假设背在了身上；按字计数的 CER 则照数不误。对以中文为主要工作语言的团队来说，这不是理论问题：中英夹杂几乎是每周会议的默认形态，选一个在这种形态下口径稳定的指标，评估才有可比性。
中文还有两件事放大了字符级计量的意义。一是信息密度：一个字常常就是一个词，甚至决定整句的方向。「不续约」漏掉一个「不」字，在 CER 里只记一次删除，语义却整句反转。同音字与人名同理，「张颖」与「张影」在读音上无差别，落成文字只差一个字。所以读 CER 时要记住这层关系：它度量的是逐字质量，不自动等于语义无损；错误率低是必要条件，但中文团队评估时仍应重点抽查否定词、数字、日期、人名这些「一个字定生死」的位置。二是粒度带来的公平：差一个字的错误记一分的错，不会被夸张成整词报废，系统之间微小的质量差距因此能被分辨出来，这正是回归测试需要的分辨率。
给中文读者的实操建议是：看到任何针对中文的转写数字，先问三件事。若报的是 WER，分词口径是什么？数字、标点、大小写这些归一化处理怎么做的？专有名词、人名、中英夹杂在测试集里占多大比例、如何计分？能把这三件事说清楚的数字才有资格进入你的对比表；说不清的，当作形容词处理即可。
指标之外：数字背后是测试条件
错误率是关于测试集的陈述，不是关于你的会议的陈述，两者之间的距离正是大多数采购错误发生的地方。第一个变量是词表。语音识别最先失败在它没见过的东西上：内部产品名、项目代号、行业黑话、会议室里那几位具体同事的姓氏。用泛商务对话搭的基准会给出漂亮分数，你的季度路线图评审会立刻让它难堪；在前者上跑出的指标，对后者的预测力很有限。
第二个变量是音频本身。挂在嘴边的耳机麦克风和会议桌远端的笔记本是两道题，后者还附赠房间回声、空调声、椅子剐蹭，以及从行驶的车里拨入、信号衰减的远程参会者。口音和语速同样搬动分数，而领域里最难的条件是重叠说话：两人同时开口、听众持续供给「嗯」「对对」这类短应和时，再强的系统也会丢词，热烈的会议恰恰由这些材料构成。在干净朗读、单人音频上挣来的分数，几乎不能告诉你这个工具在一间三人互相抢话的会议室里表现如何。
第三个变量是打分口径，它平时不可见，直到两个基准打架你才看得见。标点算不算在参考文本里？大小写归一了吗？数字按念出的「五十二美元」算，还是按书写的算？参考文本本身核对过几遍、由谁核对？说话人标签（谁说了哪句）在指标之内，还是指标之外、标题数字从不触及的另一个问题？每一项口径都能在不改变系统本身的情况下搬动最终数字。这就是为什么条件必须和分数一起出现，每一次都是；一个裸奔的数字，值得和一句裸奔的形容词同样的怀疑。
为什么大多数厂商不公布数字
把市面上的 AI 会议纪要产品页翻上一圈，会看到一个模式：转写质量几乎总用定性词描述，高度准确、非常可靠、令人惊艳地精准，而整个品类里公开准确率数字的都属少数。这有可以理解的原因：像样的基准需要真功夫去建设和维护；公布的数字会引来与每一个竞品的直接对比；任何单一数字都可能因为没写明条件而被攻击。于是商业上安全的做法，是让形容词干活。但市场层面的结果是：这个品类里唯一可度量的质量，变成了信仰问题；形容词恰恰因为没有任何东西检查它，才会通胀。
实际的应对不是等行业完成标准化，而是当数字出现时问更好的问题。测的什么测试集？谁的会议，怎么录的，几个人，朗读还是真实对话？什么语言、什么指标，WER 还是 CER，什么归一化口径？什么录音条件，耳机的近场还是会议室的远场，有没有重叠说话？真正做过评测工作的厂商，三句话就能答完；转移话题的厂商，也告诉了你答案。
如何亲手检验一款转写工具
对你的采购决策真正有意义的基准，是你自己的会议，而搭一个小规模的版本只需要一个下午。征得所有参会者同意，录一场有代表性的会，把同一段音频分别喂给你在比较的每一款工具。然后挑转写里最密的几分钟，也就是名字、数字、决策扎堆的那段，对照录音逐句人工修正，数你修了多少处：写错的术语、漏掉的词，以及会议里没说过却出现在转写里的东西。哪怕口径很粗，只要在几款工具上完全一致地执行，也比任何产品页更有决策价值，因为它继承的是你的词表、你的房间、你的说话人。
修正的时候，盯那些真正费时间的错误，而不是最难看的。把每个语气词都忠实转写的稿子，指标上更差，实用上无妨；把两位同事名字搞混的稿子，实际危害超出错误率显示，因为伤害落在归属上：谁承诺了什么，谁欠谁一个跟进。数字、日期、行动项动词同样值得怀疑：错一位数字在算术上是一个小错，在发票上是一个大错。这也是检查转写上一层的地方：摘要的可信度等于它的可追溯度，好的纪要应该能让你把摘要里的每个说法，连回实际说过的那句话。
留着那份录音。模型会悄悄更新，引擎会重新训练，产品页会改版；而存下来的音频成了你的私人回归测试集，厂商每次发布更新都能重跑一遍。如果参考会议的转写质量随时间漂移，你会在它变成一次被记错的决策之前知道；而且你用的会是唯一重要的货币：用你自己的会议、按你自己的条件测出的结果。
Today 如何度量转写质量
Today Recording 在 Mac 和 iPhone 上录制会议，且刻意做成完全的主动选择：日历事件临近时，锁定屏幕上的 Live Activity 会询问你是否录制，点一下才开始。它产出的转写被当作原材料而不是成品：纪要引用会议周围的上下文，属于哪个项目、谁在场、上一次定了什么；当某个名字、数字或关系无法确认时，纪要会标注不确定，而不是用一个猜测盖过去。这种姿态换来的是「值得再读一遍」的转写。承认自己知识边界的工具，是你会去复核的工具，而不是盲目重信的工具。
在这层行为下面，压着本文一直在描述的纪律。在内部，转写质量用 CER 度量；选择字符错误率是有意的，因为产品服务中文、日文与中英夹杂的会议，字符级指标在这些场景里才是公允的尺子。转写管线的每一次变更，换模型也好、调音频预处理也好，都要先过回归测试集才能上线；只在某一类会议上成立、在另一类上退化的改进，不会发布。保留一个内部指标的全部意义就在于此：让决策对着度量做，而不是对着形容词做，一次发布接着一次发布。
现在可以放上数字了，而且连同条件一起，这正是全文的论点：脱离测试条件的数字只是带小数点的形容词。我们最近一轮评测（2026 年 9 月）把公开基准 AISHELL-4 中五点五小时的重叠多人长会议，跑成一场四方对比：Today 的完整转写管线对阵三家语音供应商的原始输出，判分用开源工具 MeetEval。头条结果关于谁在什么时候说话：Today 管线的说话人归属错误率（DER）为 22.2%，三家供应商原始输出为 26.5%，仅分离阶段就换来 4.3 个百分点的改善。同场对比中，文字误差保持稳定，与原始基线相差不到 0.5 个百分点（按对齐方式不同，CER 落在 22% 到 25% 之间）。条件是故意挑难的：长会议里的重叠语音，才是纪要真正破碎的地方。我们也主动交代边界：手机麦克风与弱网采集尚未被这套基准覆盖；覆盖之后，那些数字会更新到本段。在那之前，长期有效的邀请依然是全文结尾那句：用你自己的会议来量我们。
准确率是地基，上下文才是楼层
一小时会议的完美转写，仍然是一小时的阅读量。让它变成值得付费的东西的，是建在上面的那层楼：讨论与决策分开，行动项挂上负责人，下一步被主动浮出水面，以及本月会议推翻上月决策时把两次都摆出来，而不是悄悄合并。这层楼的质量以转写的质量为上限，所以评估从准确率开始；但评估同样不能在准确率结束，因为没有结构的完美记录，是一个穿着效率外衣的归档问题。
如果你在意这个区分，值得读一读AI 个人智能体的定义：那是一种工具跨着你全部工作携带上下文、而不是一次处理一个文件的模式。会议转写是这个模式的感知层；把转写当证据、把记忆当上下文的系统，才在建造比打字服务更耐久的东西。准确率让证据可用，上下文让证据有用。
这就是 Today 给自己立的标准，量它的尺子就是本文教你的那把：用 CER 追踪转写质量，每次管线变更过回归测试，公开数字发布时附带完整条件而非裸奔登场。如果你的一周由会议构成，试试 Today Recording，并且用本文教你的方式检验结果：对着你自己的录音、你自己的会议。