北京宜天信达技术委员会 · 灵声智库｜医院门诊实时转写、医患沟通语音识别与院内私有化ASR技术长文
图 1 医院门诊和远程问诊医患沟通实时语音转写场景
**摘要：**医院门诊医患沟通包含大量短句、医学术语和双角色对话。流式 ASR 可以把医生与患者的沟通过程同步形成可追溯文本，并在会后进一步做术语整理和记录辅助。本文围绕灵声智库在门诊场景中的实时转写、双角色、医学热词、采集质量与院内部署进行工程拆解。
一、门诊医患沟通为什么值得做实时转写
门诊沟通时间通常不长，但信息密度很高。医生询问症状、既往情况和检查结果，患者描述感受和用药经历，很多内容最终需要人工重新整理。
流式 ASR 可以把医患对话同步形成文本，让医生在沟通过程中拥有可回看的文字记录。会诊结束后，系统已经有完整时间轴，不需要重新从录音开始转写。
这里的目标不是替医生自动下诊断，而是减少机械记录，让原始对话更容易查找和复核。
二、医生和患者角色必须分开，才能形成可读的对话记录
医患沟通至少有两个角色。所有文本混在一起时，后续很难判断某句话是患者描述还是医生解释。
如果终端能够使用双麦克风或独立音轨，可以直接按通道区分；如果只有混合音频，则需要说话人区分模型辅助。
最终文本最好保留"医生 / 患者"或 Speaker 标签，并能回到原始时间点。
图 2 灵声智库门诊医患沟通流式 ASR、双角色与院内私有化架构
三、医学术语和药品名称需要独立热词资源
门诊对话会出现疾病名称、药品名、检查项目、科室名和各种医学缩写。通用 ASR 对这些低频词可能产生同音错误。
可以按科室建立热词资源，例如心内科、呼吸科、骨科分别维护常见检查、疾病和药品词汇，也可以在具体任务中动态加载。
热词只负责增强识别，不应让后处理模型擅自改变医生和患者的原始意思。
四、实时转写和会后摘要必须保留原文链路
会中系统先输出忠实文本，保证低延迟。会后如果需要摘要、重点或结构化字段，应作为独立层处理。
任何自动摘要都应能够回到对应的原始转写和音频时间段进行复核，避免只保留一份脱离上下文的总结。
这对医疗场景尤其重要，因为文本可读性不能以牺牲原始信息为代价。
五、诊室环境的采集质量对识别效果影响很大
门诊环境可能有电脑风扇、走廊声音、口罩和低声交流。相比单纯换更大的模型，麦克风位置和采集距离往往更直接影响效果。
固定诊室适合使用近场或定向麦克风，远程问诊则要关注网络压缩和回声。项目应使用真实诊室样本验证，而不是只看标准音频。
如果原始声音已经严重失真，后端降噪和大模型也无法完全恢复丢失的语音信息。
六、医疗场景更适合院内私有化或指定网络边界
医患对话可能涉及个人信息和诊疗内容。很多医院希望音频和文本在院内服务器中处理。
灵声智库可以将实时 ASR、热词、说话人处理和结果服务部署在指定环境，通过 WebSocket 和 REST API 与现有系统集成。
具体接入 HIS、EMR 或其他系统的范围，应根据医院接口、安全和流程要求确定。
七、实时 ASR 能否进入门诊流程，关键在于"少打扰"
如果系统要求医生频繁操作、手工切换任务或校正字幕，反而会增加工作量。
更合适的方式是由业务系统自动创建 session，音频持续送入识别服务，医生只在需要时查看文本。会后整理结果也应由后台异步完成。
语音识别应该隐藏在业务流程后面，而不是让医生围绕 ASR 重新设计工作方式。
八、门诊医患沟通流式转写项目如何评估
建议先选择固定科室和典型诊室做样本验证，重点测试专业词、低声说话、口罩、短句和环境噪声。
性能测试要明确同时在线诊室数量、音频格式、是否启用说话人区分以及服务器硬件。所有自动文本应保留原始音频或可追溯时间点。
灵声智库可以提供流式 ASR、离线录音转写、说话人区分、医学热词、标点分段、上下文纠错、API 与私有化部署，最终效果应以真实院内音频验证为准。
九、门诊场景的"实时文本"不能自动等同于正式病历
实时 ASR 生成的是对话记录，它可以帮助医生回看沟通过程，也可以作为后续整理的参考，但不应自动被视为已经确认的正式病历内容。
如果系统根据对话生成摘要、主诉或其他结构化字段，应清楚标记为辅助生成，并由医务人员根据实际工作流程确认。原始对话文本和音频时间点要能够被追溯。
这种边界设计能够让语音技术真正提高效率，同时避免自动文本被过度使用。
十、不同科室不应该共用完全相同的医学热词资源
门诊科室差异很大。呼吸科、心内科、骨科、儿科和皮肤科使用的疾病名称、药物和检查项目并不相同。
系统可以按科室维护基础词表，再结合具体医生、当天业务或当前患者任务动态加载少量上下文词。这样比建立一张包含全院所有医学词的巨大词表更可控。
实际项目中还可以记录人工确认过的高频错词，持续补充到对应科室资源中，让优化来自真实业务数据。
十一、门诊实时转写的性能规划更关注"诊室并发"而不是总患者量
一家医院每天接诊人数很多，但真正影响 ASR 实时算力的是同一时间有多少个诊室正在持续送入音频。
容量评估需要统计峰值同时在线诊室、单路采样率、平均活跃说话比例以及是否启用说话人区分。门诊结束后的录音复核或摘要任务应进入异步队列，不要占用实时链路。
这样可以用更合理的硬件规模支撑实际业务，而不是按一天总就诊量误判服务器需求。