语音与视频：转写、理解和生成

语音相关功能分别做什么

语音识别把声音转成文字，语音合成把文字转成声音；音频理解还可能处理说话内容、语气或声音事件。一个产品可以把这些能力串在一起，形成看似自然的语音对话，但内部不一定只使用一个模型。

同样，视频既包含画面随时间的变化，也可能包含声音和字幕。只拿到字幕，可以处理讲话内容，却不能据此完整判断画面上出现的操作。先确认任务需要哪部分信息，才能选择正确输入。

从录音到会议纪要，中间有两次不同的加工

第一步是读取或转写：谁说了什么、出现了哪些数字和时间。第二步是整理：哪些是结论、待办、争议或未确定事项。后一步依赖前一步，如果“十五人”被听成“五十人”，一份排版整齐的纪要也会继承这个错误。

例如原话是“会议暂定周五两点，会议室还没确认，小陈周四中午反馈”。纪要应分别保留时间暂定、地点未确定，以及小陈的反馈期限。若压缩成“周五两点在会议室开会”，就把不确定条件改成了确定安排。

怎样检查一份音频整理结果

需要核对时，保留时间位置，回到相关片段复听。没有听清的部分应标明，而不是为了完整而猜测。提前提供术语和人名表有时能改善处理，但不能代替复核关键段落。

视频总结为什么要注意顺序

教学视频中的画面变化有先后关系。先点击保存，再关闭窗口，与先关闭再保存，可能产生不同后果。只提取几个孤立截图，会丢失动作顺序；只有字幕，又可能漏掉没有口头说明的界面操作。

处理操作视频时，尽量围绕具体片段提问，保留时间点和关键画面。系统是否支持直接读取视频、如何抽取画面、能够处理多长内容，取决于当前工具。不能因为文件能上传，就假定每一秒都被同等完整地分析过。

生成声音和视频时怎样验收

语音合成可以帮助制作旁白，视频生成可以帮助表达画面构想。除了内容是否符合描述，还要检查发音、字幕、时间顺序和画面连续性。需要真实人物声音或真实事件素材时，来源与授权也是任务条件的一部分。

先用短片段确定要求，比一次生成整部长视频更容易定位问题。输入越复杂，越需要把内容、声音和画面各自的通过标准说明清楚。