心理健康与压力管理这类培训，课程多半是录音：讲座、练习引导、案例讲解都在音频里，内容不假，但谁也检索不了。学员想找「讲呼吸练习的是哪一节」、咨询师想确认「某个方法在第几章」，只能整段回听，一次十几分钟。这类机构通常攒了几十到上百小时音频，越积越用不上，最后变成归档资料。
这个项目的语料是 48 个录音文件、2.22 小时、21,578 字，内容为公开出版的中文版图解指南。客户的要求不是「能聊」，而是答案必须能定位到具体章节与练习——使用者要按指引去操作，给一段没有出处的总结等于没用。音频语料比文档多两道工序：转写和断句，转写出来的错字会直接污染后面的检索。
一是批量转写：本地跑语音识别，48 个文件全部转成文本，支持断点续跑，进程被杀后重跑不产生重复片段。二是文本修复：统一全角半角、修正同音错字、按时间戳重建标点，让机器转出的文本能被正常切分。三是语义分段：按语义边界切成 70 段，每段保留时间戳与来源，保证答案能回溯到秒。四是检索层：全文与向量混合检索，加重排模型取前 20 条候选，降低「答得像但引错段」的概率。五是问答流水线：问题改写、检索、生成五步串联，语料外的问题明确拒答而不是硬答。六是评测集：60 道语料内题加 20 道语料外负例，逐条核对引用与断言。
从语料处理到评测由我独立完成：转写脚本、文本修复规则、分段策略、知识库配置、问答流程搭建、评测集构造与逐条复核都是我做的；客户提供原始音频并确认行业口径。技术栈是 faster-whisper（CPU 实时率 0.052）、Dify 1.17.1、混合检索加重排模型、top_k=20。难点在转写质量：识别器把专业词写成同音字，检索时问题与文档对不上，表现是「明明有这段却搜不到」。做法是先统计错字模式，写成 69 条替换规则，修掉 106 处，逐条回归确认误伤为 0；再按时间戳重建标点，避免断句错位把一句话切两半。分段的另一个坑是跨章节：一段话横跨两个练习，命中后引用会指错，我按章节边界强制切分，最终 70 段里跨章节 0 段、碎片 0 段。
评论