识别率的上限在麦克风里，不在模型里：会议室收音链路与多路并发选型

同一个 ASR 模型，在有的会议室能到 98%，在有的会议室只有八成——这个差距多半不在模型，在收音。

很多选型把预算全押在"模型准不准"上，验收时却发现：词库也配了、热词也加了，误差率就是下不来。原因很简单：

模型只能在输入音频的限度内工作。音频质量差，再强的模型也修不回来。

数据口径：文中标注「官网规格」的来自产品公开指标；性能量级为典型环境下的参考值，实际随声学条件、拾音距离与并发策略变化，请以实测为准。

识别率的上限在收音端

先说清楚一个容易被忽略的事实：语音识别是整条链路里唯一无法"补救"的环节在它前面。

模型能修的是"字可能识别错了"，修不了"这句话根本没被录清楚"。后者在声学上表现为三类问题：

音频问题	声学成因	能否靠模型修复
远场衰减	距离远，语音能量按距离衰减，信噪比恶化	基本不能
混响残留	房间反射叠加，语音被自身回声污染	部分缓解
多路串扰	多人同时说话，通道混叠	不能

第一类问题最致命。 拾音距离每增加一倍，直达声能量大幅衰减，而环境噪声并不随之衰减——信噪比就这样被拉低。此时提高灵敏度只是把噪声一起放大，听起来更响，识别率反而可能更差。

结论：收音是整条链路的第一变量。 这也解释了为什么"同一套引擎，不同会议室效果差一截"——差的不是引擎，是会议室。

三种收音形态的真实差距

市面上的会议收音大致三种路线，选型时必须分清：

形态	原理	多人场景	私有化适配
专用硬件全向麦	麦克风阵列 + 阵列信号处理	强，为多人围坐设计	原生适配
会议系统混音	复用现有会议系统的混音输出	中，受系统质量制约	需对接验证
软件本机录音	客户端软件录制本机音频	弱，只录到一路	一般

专用硬件全向麦是为多人围坐场景设计的：对各个方向的声波敏感度基本一致，配合降噪与回声抑制，多人发言都能保持稳定的拾音质量。转写侧通过标准接口接入 USB 全向麦克风即可，桌面级主机可做到外接即插即用。

会议系统混音看起来省事——直接复用现有会议系统的音频输出。但混音质量完全取决于那套系统：如果它本身是为人耳听的，那它的动态范围和信噪比未必够转写用。更要确认的是多路场景下的通道分离，混音往往把多路揉成一路，说话人分离直接失去输入。

软件本机录音在私有化场景下基本不用考虑：它只录到一路音频，多人会议无从分离，而且依赖客户端安装。

常见翻车点

• 拿"能录音"当"能转写"：会议系统的音频是给人听的，不是给模型听的。
• 只测讲台附近：会议室四个角与最远座位才是真实工况。
• 忽略通道数：混音成一路后，说话人分离无输入可用。

拾音距离与会议室声学

拾音距离是选型时最常被问也最容易被含糊回答的参数。以桌面级主机为例，接入外接全向麦后的有效拾音范围约 5 至 10 米，对应中小型会议室。

超过这个距离怎么办？ 正确做法是增加拾音点位，而不是调高灵敏度。这是声学决定的：语音能量随距离衰减，噪声不衰减，增益只会等比放大两者。

会议室的声学条件同样影响明显：

• 混响：玻璃墙、光滑地面、空旷会议室反射强，语音被自身回声污染。
• 稳态噪声：空调、投影仪、室外车流，这类噪声有稳定频谱，尚有算法处理空间。
• 突发噪声：挪椅子、开关门、手机震动，最容易造成整段识别崩坏。

验收时建议做两轮测试：一轮开着空调与投影仪（真实工况），一轮安静环境（对照基准）。只测安静环境等于没测——多数会议室的真实底噪在 40 到 50 分贝量级。

双全向麦 + 骨传导：不是堆麦克风数量

便携录音设备上常见的思路是"多装几个麦克风"。但麦克风数量不等于拾音质量——多个麦克风如果没有阵列信号处理，采集到的只是多份含不同噪声的同一路信号。

有效的做法是不同拾音机理互补：

机理	采集对象	强项	弱项
空气传导（全向麦）	声波	频带宽、自然度好	强噪声下信噪比恶化
骨传导	固体表面振动	强噪声下保持可懂度	频带窄、需接触

骨传导的价值场景很明确：当空调、投影风扇或室外噪声很大时，空气传播的语音信噪比已经恶化，而接触式采集的语音成分相对完整。这不是"多一个麦克风"，而是多一条独立的采集通道。

以个人录音卡片为例，采用双全向麦加骨传导设计，拾音范围 5 至 10 米，录音可自动同步到本地服务器，形成"一键录音 → AI 转写 → 知识库沉淀"的链路——适合移动办公、访谈、调研等无法固定部署的场景。

从单间到多间：并发路数怎么选

收音问题解决后，接下来的问题是算力与路数。这里有一个常见误区：把"单机能跑多少路"当成唯一指标。

真实场景要区分两个口径：单会议室内的多路采集，与多会议室并行。前者是一路音频内的说话人分离，后者是多路音频并行转写，两者对算力的占用完全不同。

按会议室规模分三档：

档位	适用场景	典型配置	关键指标
桌面级主机	单间小会议室、个人工位	46 TOPS 边缘算力，8GB 内存，128GB 可扩展存储	延迟低于 1 秒（官网规格）
部门级服务器	研发中心、金融分支、连锁区域中心	5 路并发，166 TOPS，24GB 高带宽显存	端到端延迟低于 1.5 秒
企业级服务器	政府、军工、金融、医疗等高合规场景	10 路并发，326 TOPS，48GB 高带宽显存	RTF 低于 0.3，端到端延迟低于 1 秒

选型时按"同时开会的会议室数量"算，并留两成余量应对临时加场。单间场景上企业级服务器是浪费，多间并行走桌面级则是排队。

多会议室：音频汇聚与集群管控

部门级服务器支持分布式音频汇聚组网——多个会议室的音频通过组网方式汇聚到同一台服务器统一处理，配 Web 统一后台。这避免了每间会议室单独部署一套系统，也保证了转写文件与录音数据的集中管理。

规模再大时，多台主机通过管理平台做集群化管控：统一接入认证、远程配置、协同调度，转写文件与录音数据统一管理。官网口径可扩展至 50 路以上集群并发。

这里有一个容易被忽略的工程问题：时间戳对齐。 多路音频汇聚后如果各通道时间戳不同步，说话人分离会因通道错位而失败——验收时必须用多人抢话录音实测，不能只看单路效果。

验收清单

#	验收项	方法	通过标准
1	拾音覆盖	四个角与最远座位各录一段	均达标
2	噪声耐受	开空调投影测一轮	误差率不劣化
3	多人分离	三人以上抢话录音	角色无整段错乱
4	骨传导有效性	强噪声下对比两通道	可懂度有改善
5	并发路数	按实际会议室数压测	留两成余量
6	音频汇聚	多会议室组网实测	时间戳对齐
7	集群管控	多主机统一后台	认证/配置/调度可用
8	字幕与回放	HDMI 输出检查	发言人/时间/原文/译文齐全

其中第 1 项与第 2 项最容易被跳过：讲台附近测一遍、安静环境测一遍，是最常见的"验收通过、上线抓瞎"组合。

---

延伸阅读：转写准确率 98% 之后呢：会议纪要质量的五个工程环节｜昇腾 310P 推理卡跑会议转写｜语音识别私有化部署选型