房间混响和低信噪比对STT准确性的影响远大于模型大小

在许多STT讨论中，当转录失败时，人们会立即归咎于模型架构，假设解决方案是升级从Whisper-medium到Large-v3，或者调高Temperature设置。几乎没有人检查Mel频谱图，看声学掩蔽实际上对输入音频做了什么。我用手机MEMS麦克风进行了一次快速声学测试，麦克风放置在距离2.5米外的一张靠近窗户的木桌上。我朗读了一个包含清擦音和短语“do not approve”的控制句。通过小扬声器回放时，人耳会自然地插补缺失的声音。但检查STFT（短时傅里叶变换）帧后，发现两个物理问题：来自窗户交通的低频隆隆声（200Hz到500Hz）压缩了动态范围，抬高了噪声基底。房间混响（硬桌面的$T_{60}$反射）产生了梳状滤波，削弱了区分清辅音（如/s/或/t/）所需的高频能量（4kHz到8kHz）。当直接在本地Whisper-large-v3实例上运行未经预处理的原始音频时，缺失的频谱能量导致令牌解码错误。然而，通过vomo ai处理同一文件后，输出明显更干净。其云端流水线包含自适应谱减法和前端DSP滤波，在将帧送入解码器之前清理低频噪声基底，成功恢复了被掩蔽的音素。通过前端音频增强修复输入信噪比，比仅仅更换模型后端能更大幅度地降低WER（词错误率）。有效的STT既依赖于底层模型架构，也同样依赖于预处理声学处理。