工地與產線的噪音，會讓語音辨識爛到什麼程度

先講結論：在吵的現場，語音辨識會壞掉，而且壞的程度比多數人想像的嚴重。

這不是某一家的產品問題。我們把同一批中文句子疊上不同強度的噪音，量了字錯率（CER，數字越低越好）：

10 dB 大概是什麼概念：一台運轉中的沖床旁邊、一個正在灌漿的樓層、一個週末的夜市攤位前。在那個環境裡，超過一半的字是錯的，而錯的字送進翻譯之後，出來的句子往往不只是「不通順」，是意思完全跑掉。

為什麼廠商不會主動告訴你這件事

因為在辦公室 demo 的時候它表現很好。安靜環境下 3.1% 的字錯率意味著一百個字錯三個，聽起來幾乎是完美的。決策通常就在那個房間裡發生。

我們把這個數字寫出來，是因為買回去發現不能用，比一開始就不買更糟——對你我都是。

三件真正有用的事

一、有線耳麥，不是更好的演算法

麥克風離嘴巴五公分和五十公分，訊噪比差非常多。這是物理，不是軟體能補的。

工地與產線本來就在用耳麥（因為本來就在用無線電），所以這一項多半不是新增成本，是沿用既有的東西。如果你的現場需要在噪音中溝通，耳麥不是選配。

二、把專有名詞先告訴系統

噪音之外，第二大的錯誤來源是「這個詞在通用語料裡不常見」。

舉一個真實的例子：「假設工程」與「架設工程」同音。兩個都是真實存在的中文，但前者是鷹架、圍籬、臨時水電這些完工後要拆掉的正式估驗科目，後者只是「搭建」。通用的辨識模型沒有理由知道工地講的是哪一個，它會選比較常見的那個——然後整句話的意思就變了。

同類的還有「鷹架／應架」「混凝土／混擬土」「監造／監照」。這些不需要更強的模型，只需要事先把正確的詞交給系統。我們的做法是每個情境內建一份詞彙表，客戶再補上自己現場的說法（機台編號、線別、工區名）。

三、接受它在某些位置就是不能用

深開挖的底層、隧道內、還沒通訊號的地下室——這些地方沒有網路，而我們的每一句話都要送到伺服器辨識與翻譯。沒有網路就是不能用，這一點沒有變通辦法。

那些位置請繼續用無線電。兩者不衝突：需要跨語言的地方用會翻譯的，需要離線的地方用傳統的。

那安靜的現場呢

3.1% 的字錯率在實務上是夠用的——那大約是每三十個字錯一個，而且錯的多半是同音字，人讀得懂上下文就補得回來。

服務台、料場、辦公室、電梯口、展場走道、商圈店面，這些位置不需要耳麥也能用。問題從來不是「這個技術行不行」，是「你的現場是哪一種」。

想知道你的現場屬於哪一種，最快的辦法是拿手機在最吵的那個位置錄十秒，然後免費試講看看它認得出幾個字。不用註冊，也不用留資料。