开会时用语音记笔记
别让语音输入去听整场会，用它记你自己的结论和待办
更新于 2026-11-08 · 返回使用场景
- 会议语音是识别最难的场景之一。研究里同一个模型，戴耳麦录的会议错字率约 10%，换成会议桌上的麦克风就接近一半。
- 我们的实测：背景里几个人在交谈，识别基本不受影响；但旁边有人以同样音量同时说话，60 句里有 26 句被记成了对方的话。
- 所以更好的用法是：语音输入只记你自己的话。会中趁没人说话时口述关键结论和数字，会后花两分钟口述纪要和待办。需要整场逐字稿，用会议转写工具，并提前告知参会的人。
先说清楚：口述输入不是会议记录器
语音输入工具和会议记录工具是两种东西。会议记录工具从头录到尾，区分谁在说话，会后给你逐字稿；口述输入工具只在你按下快捷键时听你说，把你说的话整理好写进当前的文档或聊天框。
听笔属于后者，单次最长 110 秒，不录会议，也不区分说话人。这篇文章讲的是怎么用口述输入记你自己的会议笔记，而不是怎么让它替你听会。之所以这样建议，是因为会议这种声音环境对语音识别来说非常难。
会议语音有多难识别
2022 年的 M2MeT 会议转写挑战赛用的是 120 小时真实的中文会议录音，每场 2 到 4 人，训练集里平均有 42% 的时间不止一个人在说话。论文里有一组很直观的对比：同一个模型，听每个人戴的耳麦录音，错字率是 9.9%；换成放在会议桌上的麦克风阵列，错字率是 49.0%，几乎每两个字错一个。
即使是参赛队伍里最好的系统，赛后总结给出的平均错字率也有 18.79%，而且人越多越差：2 人会议 8.39%，3 人 18.04%，4 人 27.43%。作者的解释是人越多，同时说话的情况越多。
英文也一样。Whisper 的论文报告，同一个模型在朗读的有声书上错词率是 2.7%，在 AMI 会议数据集的耳麦录音上是 16.9%，换成远处的单个麦克风是 36.4%。日常对话本身也比朗读难，中文电话对话数据集 MagicData-RAMC 的基线模型错字率在 16% 到 19% 之间。
难点主要有三个：离麦克风远，声音弱、回声大；多人同时说话；口语里大量的停顿、重复和半截话。这些问题换哪个工具都存在，只是程度不同。
实测：旁边有人说话会怎样
开会时最常见的情况是：你想趁别人说话时小声口述一句笔记。我们模拟了这种场景，看识别会受多大影响。
- 录音：公开数据集 AISHELL-1 测试集里 60 句中文朗读，作为“你”说的话。
- 干扰：一种是“有人同时说话”，混入另一位说话人的一句话，音量和你一样，或比你小 6 分贝（大约是对方离麦克风比你远一倍）。另一种是“背景交谈”，把另外四个人的话叠在一起作为背景，信噪比 10 分贝和 5 分贝，后者相当于背景声音只比你小一些。
- 识别：全部送进听笔的识别引擎，不开个人词典，不经过 AI 整理。按字计算错字率，忽略标点。
| 条件 | 错字率 | 整句全对 | 记成了对方的话 |
|---|---|---|---|
| 安静，只有你在说 | 1.3% | 54 / 60 | — |
| 背景交谈，信噪比 10 分贝 | 1.3% | 54 / 60 | — |
| 背景交谈，信噪比 5 分贝 | 2.9% | 49 / 60 | — |
| 有人同时说，比你小 6 分贝 | 13.2% | 46 / 60 | 4 / 60 |
| 有人同时说，和你一样大声 | 55.5% | 21 / 60 | 26 / 60 |
结果分成了两种很不一样的情况。嘈杂的背景交谈影响不大，信噪比 10 分贝时和安静环境完全一样，5 分贝时也只多错了一点。有人在同一时间说话才是真正的问题：对方声音小一些时，有 4 句被整句记成了对方的话；音量相同时，错字率超过一半，60 句里有 26 句输出的是另一个人说的内容，你自己说的反而没了。
这对开会很有参考意义：会议室里的杂音和隔壁的交谈问题不大，但别在有人正在发言时口述，尤其是坐得很近的人。挑一个没人说话的空档，或者会后再说。
为什么值得自己口述要点
既然整场转写这么难，干脆不记行不行？研究给出的答案是：人对谈话内容的记忆远比自己以为的少。2025 年的一项研究让 60 人分成三人小组交谈，短暂间隔后回忆，说话的人平均只记得谈话内容的 29.83%，被直接交谈的人记得 22.86%，旁听的人只记得 12.05%，而且旁听者更容易记错是谁说的。
另一方面，逐字记录也不等于理解。2014 年的一项研究发现，用电脑记笔记的学生更倾向于逐字照抄，概念题的成绩更差；但 2021 年的直接复现没有得到成绩差异，只确认了电脑笔记更长、更接近逐字。这方面的证据并不一致，比较稳妥的结论是：用自己的话概括一遍，比原样记录更有用。口述要点正好是用自己的话说一遍。
具体怎么记
会中：只记三类信息
会中口述要短，挑没人说话的空档，每次一两句。值得马上记的通常只有三类：
- 结论：“定了，下周三前上线测试版。”
- 数字和名字：预算、日期、版本号、客户名，这些最容易事后记混。
- 待办：谁、做什么、什么时候。“小王负责对接供应商，周五前给报价。”
专有名词多的会，先把产品名、客户名、同事的名字加进个人词典，识别会准很多，效果见中英混说的实测。
会后：两分钟口述纪要
会议一结束，趁记忆还新，打开文档按顺序说一遍：讨论了什么、定了什么、谁负责什么、还有什么没解决。按我们统计的口述速度，中位数大约每分钟 230 字，一份三四百字的纪要两分钟内说完，详见语音输入比打字快吗。听笔单次最长 110 秒，内容多就分段说，每段说一个议题。
说完之后，可以选中这段文字，用听笔的 AI 协作键说一句“整理成会议纪要，分结论、待办、待定三部分”，结果先弹窗给你看，确认后再替换。长内容的口述方法见用语音写周报和长文。
需要逐字稿时
需要完整记录的会议，比如访谈、评审、培训，用会议软件自带的转写或专门的会议记录工具。拿到逐字稿后同样要核对，尤其是数字、人名和多人抢话的段落。
录音之前先告知
口述你自己的笔记不涉及录别人，但如果要录整场会议，要考虑参会人的意愿。我们没有找到专门规定“开会录音必须所有人同意”的法条，相关的规定主要是这几条：
- 民法典第一千零三十二条规定自然人享有隐私权，第一千零三十三条规定，除法律另有规定或者权利人明确同意外，不得拍摄、窥视、窃听、公开他人的私密活动。工作会议是否属于私密活动，法律没有明确。
- 个人信息保护法第十三条要求处理个人信息要有合法依据，第一项就是取得个人同意。会议录音里有参会人的声音和发言，属于个人信息。
稳妥的做法是：录音前告诉参会的人，公司有规定的按公司规定执行，涉密会议不录。
这次测试的局限
- 干扰是人工混合的：用另一段朗读录音代替真实的插话，用四段朗读叠加代替会议室的背景声。真实会议还有回声、距离、空调声和更随意的说话方式，通常更难。
- “你”的声音是近距离录制的清晰朗读。实际口述时如果离麦克风远或声音很小，结果会更差。
- 只测了听笔的识别这一步，不代表其他工具，也没有经过 AI 整理。
- 引用的会议研究用的是专门的会议数据集和当时的模型，数字说明的是难度的量级，不是今天某个产品的表现。
常见问题
听笔能录下整场会议并转成文字吗？
不能。听笔是按快捷键的口述输入工具，单次最长 110 秒，不录制会议，也不区分说话人。需要整场会议的逐字稿，应该用会议软件自带的转写或专门的会议记录工具，并提前告知参会的人。
开会时别人在说话，我能小声口述吗？
能，但效果取决于别人说话的音量。我们的测试里，背景是几个人的交谈声时识别几乎不受影响；如果旁边有人在同一时间、以接近你的音量说话，很多句子会被记成对方的话。最好挑没人说话的空档，或者会后再说。
会后口述纪要，一般要多久？
按我们统计的口述速度，中位数约每分钟 230 字，一份 300 字左右的纪要不到两分钟就能说完。听笔单次最长 110 秒，内容多时分两三段说。
录别人说话需要对方同意吗？
我们没有找到专门规定开会录音必须取得所有人同意的法条，但民法典规定未经同意不得窃听、公开他人的私密活动，个人信息保护法也要求处理个人信息要有合法依据。稳妥的做法是录音前告知参会人，并遵守公司规定。只口述你自己的笔记，不涉及录别人。
参考资料
- Yu F, et al. M2MeT: The ICASSP 2022 Multi-Channel Multi-Party Meeting Transcription Challenge. ICASSP 2022. 查看原文
- Yu F, et al. Summary on the ICASSP 2022 Multi-Channel Multi-Party Meeting Transcription Grand Challenge. ICASSP 2022. 查看原文
- Yang Z, et al. Open Source MagicData-RAMC: A Rich Annotated Mandarin Conversational (RAMC) Speech Dataset. Interspeech 2022. 查看原文
- Radford A, et al. Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356, 2022. 查看原文
- Brown-Schmidt S, Jaeger C B, Lord K, Benjamin A S. Remembering conversation in group settings. Memory & Cognition, 2025, 53(4): 1037–1054. 查看原文
- Mueller P A, Oppenheimer D M. The pen is mightier than the keyboard: advantages of longhand over laptop note taking. Psychological Science, 2014, 25(6): 1159–1168. 查看原文
- Urry H L, et al. Don't Ditch the Laptop Just Yet: A Direct Replication of Mueller and Oppenheimer's (2014) Study 1. Psychological Science, 2021, 32(3): 326–339. 查看原文
- 最高人民法院网. 中华人民共和国民法典（第一千零三十二条、第一千零三十三条 隐私权）。 查看原文
- 国家互联网信息办公室. 中华人民共和国个人信息保护法。 查看原文
- Bu H, Du J, Na X, Wu B, Zheng H. AISHELL-1: An Open-Source Mandarin Speech Corpus and A Speech Recognition Baseline. O-COCOSDA 2017. 查看原文