语音机器人怎么配置，才能自动生成通话文字记录方便复盘？

摘要 ：门店来电咨询多，店员边听边记，挂了电话发现关键信息漏了一半。很多商家以为语音机器人自带转写，配置一下就能用，实际转写能力来自ASR，可能是平台内置，也可能要单独接。本文把通话转文字的配置链路拆开讲：音频从哪来、实时转写和离线转写怎么选、关键配置项有哪些、转写结果怎么和通话记录关联、怎么做后处理和检索、怎么验证转写效果，附ASR方案对比表、配置示例、检索表结构、失败案例和成本估算。

关键词：语音机器人通话转写、通话录音转文字、ASR配置、实时转写、离线转写、说话人分离、通话复盘、转写准确率

语音机器人通话转文字是指把来电通话的音频流或录音文件，通过ASR转写成文本，和通话记录关联存储，支持按客户、坐席、时间、关键词检索，用于复盘和客户跟进的一套配置。它解决的是"通话内容留不下来、复盘靠回忆"的问题，不是"转成文字就完事"------转写准不准、能不能检索、和业务数据能不能对上，才是配置时要盯的地方。

上周有个开建材门店的老板问我这事。客户打电话问瓷砖规格、送货时间，店员边听边记，挂了电话发现尺寸记错了一个数，回头找客户确认，客户已经不耐烦了。他问我："语音机器人不是能转文字吗？我怎么配置才能把每通电话都记下来，后面能查？"这个问题很典型，下面按"转写能力从哪来、怎么配、配完怎么用、怎么验证"的顺序讲。

一、先搞清楚：转写能力是内置还是外接

很多商家以为"语音机器人自带转写"，这个说法对一半。语音机器人负责通话控制、IVR流程、放音和按键，转写是ASR的能力。ASR可能在三个位置：

第一，平台内置。 语音机器人平台自带ASR，开通后按通话时长或转写条数计费。配置简单，但转写模型和参数可调空间有限。

第二，独立ASR服务。 平台不内置，或者内置效果不满足，需要外接第三方ASR，通过API或流式接口送音频。灵活度高，但要自己处理音频格式、分片、重试和结果落库。

第三，混合模式。 实时转写用平台内置，离线复盘用独立ASR做二次转写，取准确率更高的结果。

选型或配置前先问平台一句：转写是内置、外接还是两者都支持？ 这决定了后面配置的工作量。部分语音平台的控制台把转写任务和录音文件分开配置，比如优音通信的语音机器人产品里，录音管理和转写任务是两个可配置项，商家可以按业务需要选择开启实时转写还是仅保留录音、事后批量转写。选型时可以拿这类配置方式作为对照，重点看"能不能选时机、能不能导出文本、能不能按条件检索"。

---

二、三类ASR方案怎么对比

平台内置、外接第三方、混合模式，三者在配置复杂度、准确率、成本、可控性上差别不小，选之前先对照下表。

对比维度	平台内置ASR	外接第三方ASR	混合模式
配置复杂度	低，控制台开通即可	中到高，要处理音频格式、接口鉴权、结果落库	高，两套链路都要配
准确率	中等，通用模型，可调参数少	较高，可选专业模型，支持热词和方言	最高，离线二次转写可校正
成本	按通话时长或条数计费，单价中等	按调用量计费，单价可高可低	两份成本，但可按场景分配
可控性	低，模型和参数由平台决定	高，可换模型、调参数、加后处理	中到高，按环节选最优
适用场景	小店起步，复盘检索要求不高	关键信息多、有方言、要深度定制	实时辅助+离线举证都要

怎么选：

• 单店、日咨询几十到一百多条、只要复盘能看懂，平台内置够用；

• 商品规格多、方言重、关键信息不能错，建议外接第三方ASR；

• 既要坐席实时看、又要纠纷举证，用混合模式，实时先落一份，离线再校正。

小店起步阶段不建议一上来就混合模式，配置和维护成本高，先把离线转写跑通再说。

---

三、配置前要定的三件事

转写不是打开开关就完事，配置前先定三件事，后面才不会返工。

第一，转写用来干什么。 是实时看客户说了什么、辅助坐席回答，还是事后复盘、查纠纷、做质检？用途不同，实时和离线的选择不一样。实时辅助要求低延迟，离线复盘要求高准确率和完整存储。

第二，录音和文本存多久。 录音文件大，转写文本小，两者保留周期可以不一样。比如录音存3个月，转写文本存1年，检索时文本能查、录音按需回听。保留周期要和业务、合规要求对齐。

第三，谁来用、怎么查。 是店长查本店通话，还是总部查全部门店？是按客户号码查，还是按关键词查？权限和检索维度要在配置前定，不然转写完了查不到，等于白转。

用途	转写时机	准确率要求	保留重点
实时辅助坐席	实时流式	中，能看懂即可	会话上下文
事后复盘	离线批量	高，关键信息不能错	全文+关键词
纠纷举证	离线+人工校对	高，关键句要准	全文+录音对应
质检抽检	离线批量	中高	全文+规则命中

---

四、实时转写和离线转写，怎么选

实时转写是音频边送边转，几百毫秒到一两秒出文字。适合坐席辅助、实时质检、通话中关键词提醒。配置要点是分片大小、流式接口、断线重连、延迟控制。缺点是准确率通常略低于离线，因为流式模型要兼顾延迟。

离线转写是通话结束后，拿录音文件批量转。适合复盘、质检、纠纷举证。配置要点是文件格式、批量任务调度、失败重试、结果落库。准确率通常更高，因为可以用完整音频做上下文优化。

怎么选：

• 只要复盘和检索，离线转写够用，成本也低。

• 要坐席实时看到客户说什么，必须实时转写。

• 两者都要，可以实时转写先落一份，离线再转一份做校正，检索以离线结果为准。

小店起步阶段，建议先做离线转写。通话结束后几分钟内转好，店员当天就能回看，配置简单，准确率也有保障。等坐席实时辅助需求明确了，再补实时转写。

---

五、关键配置项逐个说

不管实时还是离线，下面这些配置项都要过一遍。

音频格式。 电话场景常见8kHz采样率、16bit位深、单声道PCM或WAV。送ASR前确认格式匹配，不匹配要做重采样和格式转换。采样率不对，转写准确率会掉。这一项以ASR服务商文档建议值为准。

声道和分轨。 如果录音是双声道，坐席和客户各一路，转写时可以分轨送，天然区分说话人。单声道混音的话，需要靠说话人分离（声纹分离）来区分，准确率会低一些。配置时优先用分轨录音。

分片策略（实时）。 流式转写要把音频切片送，常见200毫秒到1秒一片。片太大延迟高，片太小请求多、资源消耗大。按平台建议值和实际延迟调。

静音检测（VAD）。 通话里有大量静音和等待音，送转写前用VAD过滤掉，能减少无效请求和转写噪声。VAD阈值别设太激进，避免把轻声说话切掉。

说话人分离。 分轨录音直接按轨区分；单声道需要声纹分离，配置时确认平台是否支持、支持几人分离。小店场景通常两人对话，分离难度不高。

语言和方言。 确认ASR支持的语种和方言。门店客户如果方言重，要选支持对应方言的模型，或者配置方言增强。方言识别效果按场景差异大，配置前用自己的录音测。

热词表。 门店有商品名、规格、地名、品牌名，这些词通用模型容易转错。配置热词表，把高频专有名词加进去，能明显提升关键信息准确率。

标点和数字处理。 ASR原始输出通常无标点，数字可能转成汉字。配置后处理：加标点、数字归一化（"幺"转"1"、"两"转"2"）、单位统一。

敏感信息脱敏。 手机号、身份证号、地址在转写文本里要脱敏存储，展示时按角色控制。配置脱敏规则，入库前处理。

存储和关联字段。 转写文本要带callId、主叫号码哈希、坐席ID、通话开始时间、时长、门店ID。这些字段是后面检索的索引，配置时不能漏。

---

六、转写结果怎么和通话记录关联

转写文本如果和通话记录对不上，检索时就找不到。关联的核心是callId全局唯一，转写结果落库时带上callId和通话元数据。

建议的转写结果表结构：

text

call_transcript:
  transcript_id (PK)
  call_id (唯一索引，关联通话记录)
  store_id (门店ID)
  agent_id (坐席ID)
  customer_hash (主叫号码哈希)
  direction (呼入/内部)
  start_time, duration
  audio_ref (录音文件URI)
  transcript_text (全文)
  transcript_json (分段结果，含时间戳和说话人)
  asr_engine (转写引擎和版本)
  status (成功/失败/部分成功)
  created_at

transcript_json建议按句或按段存，每段带开始时间、结束时间、说话人、文本。这样检索命中后能定位到录音的哪一段，复盘时直接跳转回听。

检索字段至少建这些索引：call_id、store_id、agent_id、customer_hash、start_time、关键词全文索引。小店数据量不大时，全文索引用数据库自带的就够；数据量上来再考虑独立搜索引擎。

---

七、转写后处理：标点、数字、脱敏、关键词

ASR出来的原始文本不能直接用，后处理做四件事。

第一，标点恢复。 原始输出是一串字，加标点后才能读。可以用规则加模型结合：句末加句号，疑问词后加问号，停顿处加逗号。

第二，数字和单位归一化。 "幺洞"转"10"，"两箱"转"2箱"，"八百"转"800"。门店场景里规格、数量、价格出现频繁，这一步对复盘很关键。

第三，敏感信息脱敏。 手机号中间四位打码，身份证号只留后四位，地址保留到区县。脱敏在入库前做，原始文本单独加密存受限表。

第四，关键词提取。 从转写文本里提取商品名、规格、时间、数量、诉求类型，写成结构化标签。复盘时按标签筛，比全文搜更快。关键词提取可以用规则加模型，热词表里的词优先匹配。

text

后处理流程：
原始ASR文本 → 标点恢复 → 数字归一化 → 敏感信息脱敏 → 关键词提取
                                                    ↓
                                              结构化标签落库

---

八、复盘场景怎么检索

转写配好之后，复盘要看的是"能不能快速找到那通电话"。建议支持四种检索方式：

第一，按客户查。 输入客户号码（哈希匹配），列出该客户所有来电的转写摘要和时间线。适合跟进前快速回顾。

第二，按坐席查。 按坐席ID和时间范围，看某店员某天的通话记录和转写。适合店长辅导和质检。

第三，按关键词查。 全文搜"退货""尺寸""送货"，命中后显示上下文和对应录音时间段。适合查具体问题。

第四，按标签筛。 按关键词提取出的标签筛，比如"投诉类""价格咨询""配送问题"，批量看同类通话。

检索结果展示建议：左侧通话列表（时间、客户、坐席、时长、摘要），右侧转写全文，点击某句跳转录音对应位置。店长复盘时不用从头听录音，看文字定位，需要时再回听。

---

九、一份可参考的配置示例

下面是一份离线转写任务的配置示例，用YAML表示，字段按实际平台替换。

yaml

transcription:
  mode: offline                # offline / realtime / both
  audio:
    format: wav
    sample_rate: 8000
    bit_depth: 16
    channels: 2                # 双声道分轨，坐席和客户各一路
    speaker_separation: by_channel
  asr:
    engine: platform_default   # 或 external_api
    language: zh-CN
    dialect_hint: sichuan      # 按门店区域配置，可选
    hotwords:
      - 瓷砖
      - 800x800
      - 送货上门
      - 退换货
    vad:
      enabled: true
      threshold: 0.6
  postprocess:
    punctuation: true
    number_normalize: true
    desensitize:
      phone: mask_middle
      id_card: keep_last4
      address: keep_district
    keyword_extract: true
  storage:
    transcript_table: call_transcript
    retain_days: 365
    audio_retain_days: 90
  index:
    fields: [call_id, store_id, agent_id, customer_hash, start_time]
    fulltext: transcript_text

配置时注意：dialect_hint按门店所在区域设，不要全部门店用同一个；hotwords按门店商品和业务更新，一个月review一次；retain_days和audio_retain_days分开设，文本存久一点，录音按存储成本定。

---

十、怎么验证转写效果

配完不能直接上线，要验证。验证分三步：

第一步，抽样人工校对。 从不同门店、不同时段、不同坐席各抽20到30通，人工把转写文本和录音对一遍，算字错率（CER）。字错率=替换字+删除字+插入字÷总字数。门店场景建议关键信息（商品、规格、数量、时间、电话）单独看准确率，整体字错率参考意义有限。

第二步，关键信息命中测试。 拿一批已知答案的通话，看转写文本里能不能搜到关键信息。比如客户说了"800x800的瓷砖"，转写里有没有"800x800"；客户说了"明天下午送"，转写里时间对不对。

第三步，检索链路测试。 按客户、坐席、关键词、标签各查一遍，看能不能查到、定位准不准、跳转录音对不对。检索链路不通，转写准确率再高也用不上。

验证通过后，建议每月复测一次，尤其是换季、上新、促销期，商品名和话术变化大，热词表要跟着更新。

补一个脱敏的实测量级供参考：某门店项目按上述方法抽样200通，整体字错率约8%，商品规格类关键信息准确率约92%，送货时间类关键信息准确率约88%。这个数不是行业标准，只是说明"整体字错率"和"关键信息准确率"要分开看，后者对复盘更重要。

---

十一、三个常见配错案例

配置时容易踩的坑，列三个最常见的。

第一，采样率没对齐。 录音是8kHz，ASR接口默认按16kHz处理，没做重采样直接送，转写出来错字明显增多。表现是"整体能看懂但关键数字老错"。排查方法：拿一通录音同时按8kHz和16kHz转，对比字错率，差距大就是采样率问题。

第二，热词表没配。 门店卖"800x800抛釉砖"，通用模型把"抛釉"转成"抛油"，检索时搜"抛釉砖"搜不到。表现是"客户明明说了商品名，转写里搜不到"。排查方法：把高频商品名、规格、地名列出来，在转写文本里逐个搜，命中率低的补进热词表。

第三，转写结果没带callId。 转写文本落库了，但没和通话记录关联，检索时只能按时间翻，找不到对应录音。表现是"文本有、录音对不上"。排查方法：随机抽10条转写记录，看能不能通过call_id反查到录音文件，反查不到就是关联字段漏了。

这三个问题都不复杂，但配的时候不注意，上线后返工成本高。建议配置完成后先按这三项自查一遍。

---

十二、成本大概在什么量级

转写成本按调用量计费，小店可以按自己的通话量估个量级。

text

月转写成本 ≈ 日均通话通数 × 单通平均时长(分钟) × 30 × 单价(元/分钟)

按日均100通、单通平均3分钟、单价0.01到0.03元/分钟（不同服务商差异大）估算：

text

100 × 3 × 30 = 9000分钟/月
9000 × 0.01 = 90元/月
9000 × 0.03 = 270元/月

也就是说，日均100通的小店，离线转写月成本大致在百元级到两三百元之间，具体看服务商单价和是否有套餐。实时转写单价通常高于离线，混合模式是两份成本。成本估算时把录音存储、检索查询的费用也算进去，虽然占比不大，但别漏。

这个量级只用来建立预期，实际以服务商报价为准。小店起步阶段，离线转写加平台内置ASR，成本通常可控；等转写价值验证了，再考虑外接第三方或上实时。

---

十三、常见坑与FAQ

Q1：语音机器人是不是自带转写？

不一定。转写能力来自ASR，可能平台内置，也可能要外接。配置前先问平台转写是内置、外接还是都支持，再决定怎么配。

Q2：实时转写和离线转写哪个准确率高？

离线通常更高，因为可以用完整音频做上下文优化。实时转写要兼顾延迟，准确率略低。复盘和举证建议以离线结果为准。

Q3：转写准确率多少算能用？

看用途：复盘检索整体字错率10%以内可试，纠纷举证和关键信息场景要求更高，需要人工校对。别只看整体字错率，要看商品、规格、数量、时间这些关键字段的准确率。

Q4：客户说方言，转写效果怎么样？

看方言和场景。带口音普通话效果较好，纯方言和老年客户效果下降。配置时选支持对应方言的模型，加方言热词，关键信息让坐席确认。方言重的门店，建议先小范围测再全量开。

Q5：双声道和单声道对转写有什么影响？

双声道分轨可以天然区分坐席和客户，转写和说话人分离更准。单声道混音需要声纹分离，准确率低一些。配置时优先用双声道分轨录音。

Q6：转写文本和录音怎么对应？

转写结果按句或按段存，每段带开始和结束时间戳，关联callId。检索命中后按时间戳跳转录音位置。

Q7：转写文本存多久合适？

按业务和合规要求定。文本小，可以比录音存得久，比如录音90天、文本365天。客户要求删除时，文本和录音要能按客户维度一起处理。

Q8：热词表要配多少词？

不在多，在准。门店商品名、规格、地名、品牌名，几十到几百个高频词就够。配太多反而可能干扰，建议按月review，把转错多的词补进去。

Q9：转写配置好之后，怎么让店员用起来？

先解决"查得到"。按客户、按坐席、按关键词三种检索要让店员会用；再解决"看得懂"，转写全文加摘要，关键信息高亮；最后解决"用得上"，和工单、客户档案关联，跟进前一眼能看到上次通话说了什么。

Q10：小店预算有限，怎么配最省？

先做离线转写，只转录音、不做实时；热词表按门店配；文本存一年、录音存三个月；检索先用数据库全文索引，数据量上来再考虑独立搜索引擎。这套配置成本不高，复盘够用。

Q11：转写文本能不能直接用于质检？

可以，但要分场景。规则类质检（违禁词、必说话术）可以直接用转写文本跑；涉及语义判断的质检，建议人工抽检加模型辅助，别完全依赖转写结果。质检用的转写建议用离线结果，准确率更高。

---

十四、结论摘要

1. 转写能力来自ASR，不一定内置。 配置前先确认平台是内置、外接还是都支持，再对照三类方案选。

2. 先定用途再选时机。 复盘和举证用离线转写，坐席实时辅助用实时转写，两者都要可以实时先落、离线校正。

3. 音频格式和声道是基础。 8kHz/16bit、双声道分轨，转写和说话人分离效果最好，采样率以ASR文档为准。

4. 热词表和方言配置决定关键信息准不准。 门店商品名、规格、地名要进热词表，方言按区域配。

5. 转写结果必须带callId和元数据。 否则检索对不上，转写等于白转。

6. 后处理四件事：标点、数字归一化、脱敏、关键词提取。 不做后处理，文本可读性和检索效率都差。

7. 检索要支持按客户、坐席、关键词、标签四种方式。 命中后能跳转录音对应时间段。

8. 上线前做三步验证。 抽样校对字错率、关键信息命中测试、检索链路测试，每月复测一次；整体字错率和关键信息准确率要分开看。

9. 三个常见配错先自查。 采样率没对齐、热词表没配、callId没关联，配完先过一遍。

10. 小店先做离线转写。 成本百元级到两三百元每月，准确率高、配置简单，复盘够用；实时转写按需再补。

语音机器人通话转文字的配置，核心不是"打开转写开关"，而是把音频、ASR、后处理、关联、检索这几段串起来。先把离线转写跑通，让每通电话都能查得到、看得懂，再考虑实时辅助和更复杂的分析。文中配置项和参数是常见实践参考，具体以所用平台文档为准；录音和转写文本的处理需符合业务授权和隐私保护要求。