导读
录音转成文字，现在的工具做得已经不错了。真正让人返工的是后面几步。
一场两小时的会，转写稿能到三万字。直接把三万字丢给 AI 让它总结，它会给你一页纸，看着挺像回事。等你拿这页纸去执行，问题冒出来了。谁负责这件事，它没写。那句下周三之前给的，转写成了下个月。会上说方向先不要发，转写成方向先发，少一个字，意思反了。
这三类错有个共同点，错的地方恰好是最要紧的地方。人名、数字、否定词。转写模型在赌最可能的那个词，而一场会里这几样偏偏都不常规。人名是名单上才有的，数字没有上下文，否定词往往一带而过。
所以转写之后还得有四步。下面这段整块发给你的 AI。
把这段话整段发给你的 AI
复制下面整块，原样发给它：
左右滑动查看完整代码
我有一段会议录音要整理成能用的纪要。按四步来，每一步做完先把结果给我看，不要一次跑完。
第一步，转写并按话题分段。按话题切换把稿子切开，每段给一个一句话的标题。时间戳保留，我要能定位回原录音。
第二步，标出谁在说话。有几个人，哪句是谁。如果录音里分不出来，直接说分不出来，不要猜。这一步单独做，不要跟转写混在一起。
第三步，提取三样东西，逐条列出来，每条都带时间戳：
- 定下来的事，已经拍板的方向。
- 待办，谁负责、什么时候要。谁没明确，就写没明确。
- 悬着的事，讨论了但没有结论的，写明分歧在哪。
第四步，回核。把上面出现的所有人名、数字、日期、金额，以及带否定词的话（不发、先不做、不用、取消）逐条列出来，标出每一条在原录音里的位置，让我自己听一遍确认。这一步最容易错，不要跳。
最后给我四行结论。
1. 这份纪要能不能直接发出去。
2. 哪几条必须我先听过录音再定。
3. 有几个人名或数字你不确定，列出来。
4. 会上有没有明确说过保密、不要外传这类要求。
拿不准的写拿不准。不要为了通顺补原文里没有的话。它把四行交回来，你再决定这份纪要能不能发。
需要你亲手做的三件事
- 听那几条带否定词的原话。少一个不字，意思就是反的。这一条不能省。
- 认人名。名单上的名字转写模型没见过，认错很正常。你把正确的名单给它一次，后面都省事。
- 决定纪要发不发给参会的人。里面可能有说漏的内容，或者有句话不适合留成文字。
附：分段和认人是两步，不是一步
转写工具吐出来的是连续的带时间戳的文字，它不知道话题是什么时候换的。要切成段落，得再走一步。
谁在说话是另一个独立能力，叫说话人分离。有的模型自带，有的要单独接一个模型。默认情况下，出来的稿子是一整块，不区分人。指望转写自己回答谁说的，你会得到一个很像真的名字，而且是错的。
任务单里把这两步分开写，就是为了这件事。合并成一步，出错的时候你分不清是哪一层出的错，也不知道该换哪个工具。
附：这条线上的工具，数当天查的
star 数和最近更新时间都是 2026 年 10 月 6 日从 GitHub 接口查的。下面这几个我们一件都没跑过。写的是它们各自的定位，不是我们的使用结论。
openai/whisper，11 万 star，MIT，更新在 2026 年 8 月。这套模型的原始实现。转写质量的对比基本都拿它当基准。它不负责分段，也不负责认人。ggml-org/whisper.cpp，5.4 万 star，MIT，更新在 2026 年 10 月。把上面那套模型改成 C++ 版本，一台普通电脑本地就能跑，不需要显卡。老地址ggerganov/whisper.cpp现在会跳到这个新地址。它吃 CPU，两小时录音要等一会儿。SYSTRAN/faster-whisper，2.5 万 star，MIT，更新在 2026 年 10 月。同一个模型的加速版，更快，占内存更少，适合录音多、要批量跑的人。m-bain/whisperX，2.4 万 star，BSD-2，更新在 2026 年 9 月。除了转写，它自带按词对齐的时间戳和说话人分离。要认人，从这一类入手省事。pyannote/pyannote-audio，1 万 star，MIT，更新在 2026 年 10 月。专门做说话人分离的模型，可以跟别的转写工具搭。它的部分模型要先去平台同意条款才允许下载。
许可证这几行都是宽松型，商用限制不大。真正要留意的是录音本身。会议录音里是别人的声音，放到哪个服务器上处理，这件事的责任在你。
附：判断这份纪要用不用得了
- 每一条待办能不能指到一个人和一个时间。指不到的，那一条还不算定下来。
- 悬着的事有没有单独列出来。只列结论的纪要，会把没谈完的事说成谈完了。
- 人名和数字你有没有抽查过。抽查过几条，比它写得多顺更重要。
- 回核那一栏有没有内容。要是它说全都确定，一份两小时的会一个名字都没认错，这个结论本身就值得怀疑。
纪要是给人拿去做事的。模糊一句，后面就要多一次追问，多一次追问就要多一个人重新翻录音。