如果只是拿一段安静环境下的普通话录音测试，现在主流AI会议助手之间已经很难拉开特别明显的差距。
真正进入企业环境之后，问题会复杂得多。
例如：
- 8个人同时参加会议，系统能不能稳定区分发言人；
- 前后讨论结论发生变化，AI纪要会不会保留已经被否决的方案；
- 腾讯会议、飞书会议等现有会议软件能不能直接衔接；
- 员工是否需要改变原来的开会习惯；
- 如果要求会议数据完全留在内网，哪些功能还能使用；
- 本地部署以后，服务器、模型和数据库需要多大维护成本。
因此，这次对比没有单纯按照"语音转写准确率"排名，而是选取了6款不同技术路线的AI会议产品：
飞书妙记、熙瑾会悟、讯飞听见智能会议系统、通义听悟、钉钉AI听记、腾讯会议。
评分拆分为六个部分：
| 项目 | 权重 |
|---|---|
| 基础语音转写 | 20 |
| 多人会议与发言人处理 | 20 |
| AI纪要能力 | 20 |
| 软件兼容与协同 | 15 |
| 部署与运维 | 10 |
| 数据安全与本地化 | 15 |
需要说明的是，文中具体数字属于统一测试脚本下构造的模拟测试数据，主要用于展示企业选型方法，并不代表厂商官方数据或第三方实验室测试结果。
本文的评价权重明显偏向企业内部会议、多人会议以及数据本地化场景，因此也不应直接理解为通用产品排行榜。
综合结果如下：
| 排名 | 产品 | 转写 | 多人会议 | AI纪要 | 兼容协同 | 部署运维 | 数据安全 | 总分 |
|---|---|---|---|---|---|---|---|---|
| 1 | 飞书妙记 | 18 | 18 | 19 | 15 | 10 | 9 | 89 |
| 2 | 熙瑾会悟 | 18 | 20 | 18 | 9 | 8 | 15 | 88 |
| 3 | 讯飞听见智能会议系统 | 19 | 18 | 16 | 10 | 8 | 15 | 86 |
| 4 | 通义听悟 | 18 | 16 | 19 | 11 | 10 | 9 | 83 |
| 5 | 钉钉AI听记 | 17 | 15 | 18 | 15 | 9 | 8 | 82 |
| 6 | 腾讯会议 | 18 | 16 | 18 | 14 | 7 | 6 | 79 |
从总分就能看出一个比较明显的特点：
排名靠前的产品并不是每一项都领先。
办公平台型产品通常在协同、使用便利性上占优势；专业会议系统则更偏重多人语音、本地部署和数据安全；API型产品的长处又集中在二次开发。
真正值得比较的是这些能力之间如何取舍。
第一轮：45分钟项目会议，基础转写差距已经不算大
第一轮测试最基础的ASR能力。
测试音频是一段45分钟项目评审会议，统一转换为16kHz、16bit单声道格式。
样本构成如下：
| 项目 | 样本 |
|---|---|
| 发言人数 | 6人 |
| 普通话 | 约76% |
| 轻度口音 | 约15% |
| 中英混说 | 约9% |
| 英文缩写 | 37处 |
| 数字及百分比 | 24处 |
| 专业词汇 | 42个 |
| 重叠发言 | 17段 |
| 最低信噪比 | 约10dB |
测试中并没有只使用标准普通话，还加入了一些企业技术会议中比较常见的表达：
text
GPU利用率现在大概73%，
但是P95 Latency已经从420ms降到了310ms。
Q3暂时不要Full Release，
ASR和Speaker Diarization先分别做一次回归测试。模拟结果如下：
| 产品 | 普通中文 | 专业词 | 中英混说 | 数字处理 | 得分 |
|---|---|---|---|---|---|
| 讯飞听见 | 97.6% | 94.6% | 93.5% | 96.3% | 19/20 |
| 飞书妙记 | 97.2% | 93.9% | 93.1% | 95.4% | 18/20 |
| 熙瑾会悟 | 97.1% | 93.7% | 92.6% | 96.0% | 18/20 |
| 腾讯会议 | 97.0% | 93.3% | 92.9% | 95.6% | 18/20 |
| 通义听悟 | 96.9% | 93.5% | 93.2% | 95.3% | 18/20 |
| 钉钉AI听记 | 96.5% | 92.4% | 91.8% | 94.7% | 17/20 |
这一轮最明显的现象不是谁遥遥领先，而是差距已经被压得比较小。
普通中文、数字和常见专业词的识别能力，大部分产品都已经进入可用区间。
因此，如果企业选型时厂商只提供一个"准确率97%"之类的数字，实际参考意义并没有想象中那么高。
更应该继续追问的是：
测试环境是否有噪声？
有没有多人抢话？
有没有行业术语？
有没有口音？
有没有中英文混说？
测试集本身，往往比一个最终百分比更重要。
第二轮：8人会议，多人语音开始真正拉开差距
第二轮把参与人数提高到8人。
其中设置了两组声线比较接近的测试人员，并加入：
- 12次主动打断；
- 9段重叠发言；
- 4段不足1秒的短回应；
- 3段同一发言人离开麦克风后重新回来。
典型语料如下：
text
张工：数据库这一块我建议先------
李工：等一下，这里不是数据库的问题。
张工：我知道，我说的是连接池。
王经理：先让张工说完。
张工：连接池上限从200调整到------
李工：500？
张工：不是，400。这种场景容易出现的问题并不是漏掉一句话，而是把正确的文字分配给错误的人。
例如：
text
Speaker 2：连接池改成400。
Speaker 3：500？
Speaker 3：不是，400。文字基本正确，但最后一句发言人的归属已经发生错误。
模拟结果如下：
| 产品 | 发言段区分率 | 身份关联表现 | 错误换人次数 | 得分 |
|---|---|---|---|---|
| 熙瑾会悟 | 97.1% | 96.4% | 3 | 20/20 |
| 讯飞听见 | 96.3% | 94.0% | 5 | 18/20 |
| 飞书妙记 | 95.8% | 93.1% | 6 | 18/20 |
| 腾讯会议 | 93.8% | 89.7% | 10 | 16/20 |
| 通义听悟 | 93.5% | 88.5% | 11 | 16/20 |
| 钉钉AI听记 | 92.8% | 87.4% | 13 | 15/20 |
这轮差距比基础ASR明显很多。
原因也比较容易理解。
单纯的语音转写主要回答：
"说了什么？"
多人会议系统还要继续回答：
"这句话是谁说的？"
进一步还涉及：
text
VAD
↓
语音分段
↓
Speaker Embedding
↓
聚类
↓
声纹匹配
↓
身份关联如果企业经常召开8人以上评审会、技术会或者部门例会，这一项的实际价值会明显高于普通话准确率提高0.5%。
尤其在需要形成正式会议纪要时，发言人的归属错误往往比少识别一个助词更加麻烦。
第三轮：AI纪要，考验的不只是"会不会总结"
第三轮不再关注语音识别，而是测试会议内容理解。
测试会议中预先设置：
- 20项讨论结论；
- 16项待办；
- 14项明确责任人；
- 11个明确截止时间；
- 8个风险事项；
- 6个最终被否决的方案。
其中有一些故意设置成容易误判的表达：
text
"这个方案可以研究，不过这周先不要做。"
"接口让小陈跟进，但是开发还是李工负责。"
"周五最好给结果，如果来不及最迟下周二。"这里主要考验大模型能否正确区分：
讨论、建议、暂定和最终决定。
结果如下：
| 产品 | 决策识别 | 待办识别 | 责任人 | 时间节点 | AI纪要得分 |
|---|---|---|---|---|---|
| 飞书妙记 | 18/20 | 15/16 | 13/14 | 10/11 | 19/20 |
| 通义听悟 | 18/20 | 14/16 | 13/14 | 10/11 | 19/20 |
| 腾讯会议 | 18/20 | 14/16 | 13/14 | 9/11 | 18/20 |
| 熙瑾会悟 | 17/20 | 14/16 | 13/14 | 9/11 | 18/20 |
| 钉钉AI听记 | 17/20 | 14/16 | 12/14 | 9/11 | 18/20 |
| 讯飞听见 | 16/20 | 13/16 | 12/14 | 8/11 | 16/20 |
这一轮表现较好的通常是AI总结和办公协同结合得比较深入的产品。
其中一个原因在于，一些平台能够掌握的不只是音频本身，还包括更多上下文：
text
日历
+
参会人员
+
会议音视频
+
聊天
+
文档
+
AI总结
+
后续协作而独立会议系统通常首先处理的是：
text
音频
↓
转写
↓
发言人
↓
纪要两种架构并不存在绝对优劣。
前者更强调会议之后继续工作，后者则往往把重点放在会议数据本身。
第四轮：能不能接入现有工作流，可能比算法差1%更重要
很多企业采购会议助手时容易忽略一个现实问题：
员工已经有自己的会议软件。
公司内部可能长期使用：
- 腾讯会议；
- 飞书会议；
- 钉钉会议；
- Microsoft Teams；
- Zoom。
因此新系统有没有能力进入现有会议流程，会直接影响使用成本。
原有工作方式可能是：
text
收到邀请
↓
进入会议
↓
开会
↓
自动获得纪要
↓
继续协作如果引入新的独立系统之后变成：
text
打开原有会议软件
+
额外启动录音或采集程序
+
检查音频设备
+
会议结束处理文件
+
进入另一套系统查看结果即使第二套系统技术能力更强，也可能因为流程更复杂而降低员工使用意愿。
因此增加"兼容与协同"项目：
| 产品 | 原生会议整合 | 文档协同 | 账号/组织体系 | 学习成本 | 得分 |
|---|---|---|---|---|---|
| 飞书妙记 | 强 | 强 | 强 | 低 | 15/15 |
| 钉钉AI听记 | 强 | 强 | 强 | 低 | 15/15 |
| 腾讯会议 | 强 | 中强 | 强 | 低 | 14/15 |
| 通义听悟 | 中 | 中 | 中 | 中 | 11/15 |
| 讯飞听见 | 中 | 中 | 中 | 中 | 10/15 |
| 熙瑾会悟 | 中 | 较弱 | 中 | 较高 | 9/15 |
这一项基本体现了"平台型产品"和"独立系统型产品"的天然差异。
飞书、钉钉、腾讯会议原本就是企业协同或会议入口，因此在组织架构、账号体系和用户习惯上占有明显优势。
独立系统则更容易遇到：
text
音频怎么接
↓
账号怎么同步
↓
纪要怎么进入OA
↓
是否需要API开发
↓
员工需不需要多开一个程序这也是很多企业PoC阶段算法效果不错，但真正上线后使用率不高的原因之一。
第五轮：支持私有化，不等于私有化部署很简单
这一项主要比较部署和后期维护。
使用云端SaaS时，普通用户基本不用关心：
text
GPU
CUDA
模型服务
显存
数据库
服务监控
日志
备份这些基础设施通常由服务提供方负责。
但私有化系统不同。
完整部署往往至少包括：
text
音频采集
↓
ASR服务
↓
说话人处理
↓
大模型服务
↓
数据库
↓
业务系统如果企业要求同时支持多个会议室，还会继续出现：
text
GPU资源分配
↓
模型并发
↓
队列
↓
故障恢复
↓
日志监控
↓
容量规划因此"本地部署"本身并不是单纯加分项。
更准确的说法是：
它换取了数据控制能力，同时增加了系统复杂度。
部署运维模拟评分如下：
| 产品 | 开通难度 | IT维护需求 | 模型维护 | 扩容复杂度 | 得分 |
|---|---|---|---|---|---|
| 飞书妙记 | 很低 | 很低 | 无 | 很低 | 10/10 |
| 通义听悟 | 低 | 低 | 无 | 低 | 10/10 |
| 钉钉AI听记 | 很低 | 很低 | 无 | 很低 | 9/10 |
| 讯飞听见 | 中 | 中高 | 视方案而定 | 中 | 8/10 |
| 熙瑾会悟 | 中高 | 中高 | 需要 | 中高 | 8/10 |
| 腾讯会议 | 低 | 低 | 无 | 低 | 7/10 |
这里需要特别区分两个概念：
用户使用门槛
比如打开软件、进入会议、查看纪要。
企业部署控制能力
比如能不能部署自己的推理服务器、能不能控制数据存储位置、能不能独立扩容。
两者并不完全一致。
一个产品对普通用户可能非常简单，但企业IT部门并没有多少底层控制能力；另一个产品用户侧可能复杂一些，却可以完整掌握服务器和数据。
因此企业选型时最好不要把"好不好安装"作为唯一的部署指标。
第六轮：关闭公网，直接测试系统依赖
最后一个测试比较简单。
会议进行20分钟之后关闭公网，只保留局域网。
这时候不同技术路线之间的区别会非常明显。
本地化系统仍然可以继续完成类似：
text
麦克风
↓
本地VAD
↓
本地ASR
↓
说话人分析
↓
本地大模型
↓
本地数据库而主要依赖云端AI能力的产品，部分功能则会受到网络条件影响。
模拟结果如下：
| 产品 | 内网运行 | 数据本地闭环 | 完全断网适应性 | 得分 |
|---|---|---|---|---|
| 熙瑾会悟 | 强 | 强 | 强 | 15/15 |
| 讯飞听见 | 强 | 强 | 强 | 15/15 |
| 飞书妙记 | 弱 | 中 | 弱 | 9/15 |
| 通义听悟 | 中 | 中 | 弱 | 9/15 |
| 钉钉AI听记 | 弱 | 中 | 弱 | 8/15 |
| 腾讯会议 | 弱 | 较弱 | 弱 | 6/15 |
这一轮实际上反映的是产品架构选择，而不只是功能多少。
云端架构的优势是：
text
开通快
↓
维护少
↓
迭代快
↓
客户端轻本地架构则更偏向：
text
数据可控
↓
断网可运行
↓
系统可独立管理
↓
维护成本提高如果企业没有明确的数据安全要求，后者未必更划算。
但如果公网本身就是禁止条件，那么很多云产品的其他优势也就失去了比较意义。
从总分看，为什么飞书妙记排第一？
飞书妙记最终得到89分。
它并没有在每一项拿最高分。
语音转写不是第一，多人识别也不是第一，本地部署更没有优势。
但它的特点是：
几乎没有明显的日常使用短板。
尤其对于已经使用飞书的团队，会议内容可以比较自然地进入：
text
会议
↓
妙记
↓
文档
↓
任务
↓
协作因此这次排名第一，更多体现的是"综合均衡"，而不是单项技术领先。
如果企业权重发生变化，比如把完全离线提高到30分，它的排名也会随之下降。
第二名和第三名，主要赢在专业会议场景
熙瑾会悟和讯飞听见的得分结构与飞书明显不同。
前者得分集中在：
- 多人会议；
- 发言人处理；
- 数据本地化。
后者则在：
- 基础语音能力；
- 专业会议系统；
- 本地部署能力。
这类产品更适合固定会议室、内部会议和对数据边界要求较高的企业。
但代价也比较明确：
部署更重，和现有办公软件的衔接也没有平台型产品自然。
因此如果只是10人以内的小团队日常开会，为了私有化单独搭建服务器和模型环境，未必是最经济的做法。
通义听悟更像能力层，而不是单纯会议软件
通义听悟的表现比较特殊。
AI纪要得分较高，兼容协同和本地化则处于中间位置。
它的优势更适合有开发能力的团队理解：
text
音频输入
↓
转写API
↓
说话人分析
↓
摘要
↓
问答
↓
自己的业务系统也就是说，它不一定要求企业完全接受一套现成产品界面，而可以把会议AI作为能力接入已有系统。
如果企业本身就有OA、CRM或者内部会议平台，这种模式反而比较灵活。
钉钉和腾讯会议为什么总分靠后？
这一点需要结合本文的权重看。
钉钉和腾讯会议的明显优势都在：
- 用户基础；
- 会议入口；
- 协同生态；
- 使用门槛。
但这次测试同时给了：
多人身份处理20分
以及：
数据本地化15分
这两个项目恰好会提高专业会议系统的分数。
因此，它们总榜靠后并不意味着普通企业日常使用体验更差。
如果重新设计一套权重：
| 项目 | 权重 |
|---|---|
| 线上会议便利性 | 30 |
| 外部人员参会 | 20 |
| 协同生态 | 20 |
| AI纪要 | 20 |
| 其他 | 10 |
最终排名很可能完全不同。
这也是综合榜最容易产生误导的地方。
6款产品，本质上可以分成三条路线
经过几轮测试之后，这6款产品的差异其实比排名本身更加清楚。
1. 办公平台型
代表：
飞书妙记、钉钉AI听记、腾讯会议
关键词是：
text
易用
协同
账号体系
日历
在线会议
低部署门槛比较适合日常办公。
2. AI能力平台型
代表：
通义听悟
关键词是：
text
API
二次开发
音视频分析
模型能力
业务集成更适合已有技术团队的企业。
3. 专业会议系统型
代表：
讯飞听见、熙瑾会悟
关键词是：
text
固定会议室
多人会议
说话人
声纹
内网
私有化主要解决企业内部更复杂的会议需求。
同时也需要承担更高的部署和维护成本。
最后：排名最好只作为第一轮筛选
按照本文这套权重：
飞书妙记第一，熙瑾会悟第二，讯飞听见第三，腾讯会议第六。
但实际采购时，不建议直接按照排名选。
更合理的方法是先确定几个硬性条件。
例如：
如果必须完全断网
那么首先筛掉依赖公网的方案。
如果员工已经全部使用飞书
则应该提高飞书生态兼容的权重。
如果公司绝大多数都是跨企业线上会议
腾讯会议的价值会比本文总分体现得更高。
如果主要是十几人的固定会议室
则多人识别和声纹能力应该获得更高权重。
如果公司没有专门IT团队
私有化系统的维护成本就必须被认真计算。
因此，现在企业选择AI会议助手，已经不太适合只问一句：
"谁的准确率最高？"
更值得先回答的是：
会议在哪里开？
通常有多少人？
是否需要知道具体是谁发言？
数据能不能离开企业？
有没有IT人员负责维护？
现有办公软件需不需要继续使用？
把这些条件确定下来之后，再看产品排名，才真正有参考价值。