评估语音输入产品时，最常见的两个数字是识别准确率和模型推理耗时。它们都重要，却不足以解释用户为什么试用几次后仍然回到键盘。

对交互式语音输入而言，用户要完成的不是“获得一次识别结果”，而是把一段意思变成可以继续编辑、发送或提交的文本。中间任何不稳定等待、文本反复变化、光标错位和高成本改错，都会被统一感知为“不好用”。

因此，评价体系应该覆盖从开始录音到文本完成的整条链路。

一、首个反馈时间

从用户按下快捷键或开始说话，到界面第一次明确显示“正在录音”或音量反馈的时间。

这项指标不等于识别延迟，却决定用户是否知道操作已经生效。没有及时反馈时，用户会重复按键、重新说话，甚至认为权限或麦克风出了问题。

除了中位数，还要统计未出现反馈和反馈状态错误的比例。

二、结束输入到首段文本时间

从用户松开按键、点击停止或系统检测到语音结束，到第一段可见文本出现的时间。

这段时间可能包含音频收尾、编码、上传、网关、排队、推理和结果回传。只记录服务端模型耗时，会把网络与客户端处理全部藏起来。

埋点时应同时记录客户端总耗时和服务端各阶段耗时，先判断问题位于客户端、服务端还是两者之间。

三、结束输入到稳定文本时间

首段文本出现不等于结果已经可用。流式识别可能不断修改前面的词，用户看见文字却不敢开始编辑。

Microsoft Speech 的实时字幕文档明确讨论了延迟与稳定性的权衡：更早展示临时结果可以降低感知等待，但要求更稳定的部分结果通常会增加延迟。语音输入产品需要单独记录“首段文本”和“稳定文本”，否则看起来很快的界面可能一直闪烁修改。

稳定文本的定义应在产品内固定，例如连续若干次结果不再修改，或收到服务端 final 标记。不要在不同版本里随意改变口径。

四、P50、P95 和超时率

平均值会掩盖少量但严重的长尾。稳定的两秒等待通常比“多数一秒、偶尔二十秒”更容易建立使用预期。

至少报告 P50、P95 和超过体验阈值的请求比例。阈值应由任务类型和用户研究确定，不应直接照搬其他产品。还要按音频时长、网络类型、设备、客户端版本和服务端版本分组，否则总体分位数无法定位变化来自哪里。

五、文本返工率

识别准确率通常基于标注语料计算，而真实输入还包含产品名、代码、标点、口头修正和用户自己的表达习惯。

更接近生产效率的指标是文本返工率：稳定结果出现后，用户删除、替换或重新输入的字符数，占初始结果字符数的比例。

返工率不能简单把所有编辑视为识别错误。用户可能主动润色表达，因此需要结合编辑位置、编辑时间和可选的匿名反馈分类，并在隐私允许的前提下采集。原始语音和完整文本默认不应为了指标而长期保存。

六、单次纠错操作成本

同样一个错字，如果需要切换鼠标、定位光标、删除整句并重新输入，它的体验损失远高于一次快捷撤销或局部重录。

可以记录从用户开始修改到再次继续输入的时间、鼠标点击次数、键盘操作次数和是否触发重录。产品优化的目标不是让错误统计看起来更少，而是让无法避免的错误更容易修正。

七、中断与恢复率

语音输入链路可能在麦克风权限、设备切换、录音、上传、识别、写入光标位置等阶段失败。每个阶段都需要稳定的错误码，不能全部落成“识别失败”。

中断率应按阶段统计，同时记录用户是否能在不丢失已录音内容的情况下重试。对于可恢复故障，界面需要告诉用户系统正在重连还是必须重新录音；沉默等待比明确失败更容易破坏信任。

八、半小时会话成功率

单次请求通过并不能代表产品可以长期使用。设备切换、模型冷启动、网络波动、队列积压和文本写入冲突，往往只在连续使用中出现。

可以把一次连续工作会话定义为固定时长或固定请求数，统计其中是否发生过阻断性错误、长尾等待和需要重新授权的情况。这个指标更接近“用户敢不敢把它当成日常输入方式”。

一套最小埋点结构

每次语音输入生成一个随机请求 ID，客户端记录录音开始、录音结束、编码结束、上传开始、收到首段文本、收到稳定文本和文本写入完成；服务端记录接收完成、排队开始、推理开始、推理结束和响应完成。

日志只保存时间戳、阶段、版本和经过脱敏的错误分类。不要在分析日志中保存完整语音、识别文本、真实文件路径、账户或设备标识。确需样本诊断时，应使用独立授权、最小留存和可删除机制。

分析时先检查事件是否完整，再计算阶段耗时。缺失事件不能当作零毫秒；时钟不一致时，也不能直接拿客户端绝对时间减服务端绝对时间。跨端分析应以各端内部持续时间和关联 ID 为基础。

最后看“完成文字”，而不是“模型跑完”

语音输入并不是键盘的完全替代品。更现实的产品关系是：语音负责快速生成，键盘负责精确修改，系统负责降低等待、反复变化和纠错成本。

模型推理速度回答的是一个组件有多快；首个反馈、稳定文本、长尾、返工和恢复指标回答的，才是用户完成一段文字究竟要付出多少成本。

参考资料

• Microsoft Speech 实时字幕中的稳定结果与延迟权衡

• Microsoft Speech 实时语音识别说明

作者：Julian Cooper

创作说明：本文由作者基于既有语音输入产品材料与 Microsoft Speech 官方资料撰写，使用 AI 辅助整理，作者对事实和内容负责。