語音打字的問題從來不是電腦聽不見你。它們聽得很清楚。問題在於它們會把你說的每個字原封不動寫下來——而人們在即時口語中說出來的內容，和書面文字的樣子並不一樣。
你開始說一句話，講到一半又覺得這不是你要說的句子，於是重來一次。你思考時會說「嗯」。你會修正自己。逐字轉錄會忠實保留這一切，然後把一段你現在還得自己編修的文字交給你。對很多人來說，這些編修花的時間跟打字一樣久。
這份指南就是要縮小這個落差：它是怎麼造成的、什麼方法無法解決、以及什麼方法真的有效。
重點摘要
- 這個落差是結構性的——口語有填充詞和重來；書面語沒有。逐字轉錄無法跨越這個差距。
- 更小心地說話並不管用，而且撐不了多久，還會讓你失去讓口述輸入有吸引力的速度優勢。
- 清理層真的有用——工具會在你看到文字之前先移除填充詞和錯誤開頭。
- 清理應該是選項，不是預設——有時你就是想要原文，所以 Raw、Tidy 和 Formal 是分開的模式。
- 自訂詞彙比原始準確率更重要，特別是對人名、術語和產品名稱而言。
為什麼逐字轉錄會增加工作量
用正常速度大聲說這句話：「所以我覺得我們應該——其實，我們可以把路線圖檢討，嗯，改到星期四嗎？」
逐字轉錄器會一字不差地寫下來。你真正想要的是：「我們可以把路線圖檢討改到星期四嗎？」
每一段口述內容都會帶著某種這樣的問題。人們第一個想到的解法是更小心地說——更慢、更刻意、不用填充詞。這方法大概能撐兩分鐘，然後你就累了，而且它也拿掉了你開始用口述輸入的原因：說話比打字快。
什麼方法無法解決
更好的語音辨識。 準確率提升只會讓轉錄更忠實於你的口語，反而讓問題稍微更嚴重，而不是更好。完美的轉錄器會完美保留每一個「嗯」。
標點指令。 大聲說「逗號」和「換段」有助於結構，但對填充詞和錯誤開頭毫無幫助。它也會讓說話感覺像在寫程式。
之後再編修。 這就是現狀，而這也是為什麼很多人會在一週後默默停止使用口述輸入。
真正有效的是：清理層
解法是在辨識和輸出之間加上一個步驟。工具先聽你說了什麼，再判斷你的意思，然後給你書面版本。
MirrorCaption Typer 透過三種你可依當下情境選擇的潤飾模式來做到這件事，因為每次需要的清理程度都不一樣：
- Raw speech——完全照你說的內容，保留每個填充詞和錯誤開頭。當原文很重要時很有用：引言、記錄某人怎麼表達、語言練習。
- Tidy（預設）——移除像「嗯」和「呃」這類填充詞，刪掉口誤和錯誤開頭，加上標點，並保留你的意思和語氣。這就是讓口述輸入終於像它本來就該有的樣子。
- Formal——把內容改寫成乾淨、專業的措辭，可直接放進電子郵件或文件中。它確實會刻意改變你的措辭，所以才需要由你主動選用。
以上面的例子來說：Raw 會給你帶有重來和「嗯」的句子。Tidy 會給你 「我們可以把路線圖檢討改到星期四嗎？」 Formal 則會更接近 「我們可以把路線圖檢討改到星期四嗎？」
另一半：把文字送到你需要的地方
乾淨的文字只完成了一半。如果它落在轉錄應用程式裡，你還是得把它複製到你真正想放的視窗中。
Typer 會在一個小視窗中執行，浮在其他所有東西上方——你的郵件用戶端、文件、聊天框。當你停止說話時，潤飾後的文字會自動複製到剪貼簿。你不需要找按鈕，也不需要切換應用程式。貼上，然後就完成了。
因為它在瀏覽器中執行，所以不需要安裝任何東西；這在受管理的工作筆電上特別重要，因為安裝軟體通常代表要先送出工單。
人名、術語，以及真正屬於你的那些字
即使有很好的清理層，仍然會漏掉的錯誤通常都是專有名詞：同事姓名、產品名稱、內部術語、技術名詞。一般模型從來沒看過這些詞。
有兩件事有幫助。第一，自訂詞彙——把你常用的詞加入，系統會優先辨識。第二，從你的編修中學習：當你修正某個詞時，工具會記住你的偏好，而不是下週又要你再修一次。
當你混用語言時
很多人不是一次只說一種語言。中文使用者會夾帶英文產品名稱。德國工程師會在句子中間使用英文技術詞彙。大多數口述輸入工具都會強迫你選一種辨識語言，然後手動切換，這會嚴重破壞流暢度，讓人乾脆放棄。
Typer 讓你一次設定多種辨識語言，所以混合句子也能準確輸出，不需要切換模式。如果你的問題其實是別人說的是你不懂的語言，那就是轉錄加翻譯，而不是口述輸入——請參考 dictation vs. transcription，看看你屬於哪一邊。
什麼時候逐字才是正確答案
清理並不總是你要的。當你在引用某人、當精確措辭就是重點、當你在練習語言並想看自己實際說了什麼，或當你想把一個念頭以它剛出現時的樣子記下來時，就使用 Raw 模式。重點在於它是一個選項，而不是唯一選擇。
常見問題
我要怎麼口述出不需要編修的文字？
使用會在輸入時自動清理的口述工具，而不是逐字轉錄。MirrorCaption Typer 的 Tidy 模式會在文字進入剪貼簿之前，移除像「嗯」和「呃」這類填充詞、刪掉錯誤開頭和口誤，並加入標點，所以貼上是最後一步，而不是一連串步驟中的第一步。
語音打字可以自動移除嗯和呃嗎？
Apple Dictation、Windows Voice Typing 和 Google Docs Voice Typing 這類內建工具會逐字轉錄，所以填充詞會保留下來。帶有清理層的工具則會自動移除它們。在 MirrorCaption Typer 中，這是你可依當下情境選擇的模式：Raw 保留全部內容，Tidy 移除填充詞並加入標點，Formal 則把內容改寫成專業措辭。
清理我的口語會改變我原本的意思嗎？
不應該。Tidy 模式的設計目標是保留你的意思和語氣，只移除雜訊——填充詞、重來和口誤。Formal 模式則是刻意改寫措辭，這也是它為什麼是你另外選擇的獨立模式，而不是預設值。
我可以同時用超過一種語言口述嗎？
大多數工具不行——你得先選一種辨識語言，換語言時再切換。MirrorCaption Typer 讓你一次設定多種辨識語言，所以在同一句裡混用中文和英文，或德文和英文，仍然能準確輸出。
我要怎麼讓語音打字辨識人名和術語？
把它們加入自訂詞彙。Typer 讓你加入常用的人名、產品名稱和術語，讓它們優先被辨識，而且它也會從你對輸出的修正中學習，所以同樣的錯誤不會一再重複。
語音打字在瀏覽器以外的應用程式也能用嗎？
Typer 會在一個浮在其他應用程式上方的小型瀏覽器視窗中執行，並自動把完成的文字複製到剪貼簿，所以你可以貼到電子郵件、文件、聊天或任何其他應用程式中。它不需要安裝，這也代表不需要 IT 核准。
結論
語音打字在一段時間前就不再是準確率問題了。它是一個翻譯問題——介於人們怎麼說話，和文字應該怎麼讀之間——而逐字轉錄把這個翻譯工作留給了你。
能替你完成這件事的工具，會把口述輸入從你試過一次的東西，變成你每天都會用的東西。請在我們的 最佳口述輸入軟體指南 中比較各種選項。