外婆旧录音带里的自然语言处理

上周六去秦淮河边的老房子整理外婆的遗物，樟木箱的锁都锈了，掀开的时候一股樟脑的味道混着旧毛衣的羊膻味扑过来，藤椅上的爬墙虎影子晃在地板上，跟二十年前一模一样。

压在绒线帽底下的三盘磁带

我蹲在地板上翻了快一个小时，压在外婆织的藏青色绒线帽底下，翻出来三盘TDK的旧磁带。磁带壳子磨白了。外壳上用圆珠笔写的日期晕开了，能辨清的是2003.9.12、2004.10.3、2005.4.18。

之前我拿给做音频剪辑的朋友听过，说磁带已经消磁了一半，声音糊得像隔着一层凉水管子。外公2003年中风之后，左侧身子动不了，说话的时候声带发颤，每个字都要拖很长的尾音，带点南京话的软调子，普通的转写软件识别出来全是乱码，什么“啊”“嗯”“哦”，根本读不通。我那时候还蹲在地板上emo了半天，觉得这些藏在磁带里的声音，就要跟着外婆一起埋到旧时光里去了。

车库里的小工作室

我妈在楼下摘菜的时候碰到之前装智能电表的小伙子，说他现在在小区的车库里搞工作室，专门给人转写旧录音，尤其是老人的。我抱着三盘磁带找过去的时候，车库门口摆了两盆绿萝，墙上贴了好多老人的照片，都是他之前服务过的邻居。

小伙子戴个黑框眼镜，手上还沾着焊锡的印子，听我说完情况，把磁带插进老式的卡座机里，听了两分钟，挠头笑，说这个声音我熟，我爷爷之前中风的时候，说话也是这个调子。他给我解释，说现在市面上通用的语音转写模型，是拿近十年的标准普通话对话、新闻、短视频内容练出来的，对这种带方言尾音、声带麻痹导致发音变形、磁带消磁之后有杂音的素材，识别率特别低。他现在做的事，就是把这些特殊的声音素材，一点点标出来，喂给底层的大模型，做小范围的微调。比如外公发的“水”，因为声带闭合不全，听起来像“虽”，之前的模型会识别成“随”，他只要标上十几条对应的文本，模型就能慢慢摸清楚他的发音规律。

我那时候还问他，说你做这个能赚多少钱啊？他说赚的不多，比在互联网公司写代码少多了，但是之前他爷爷走的时候，他翻爷爷的旧录音，发现没有一个软件能听懂爷爷说的话，他那时候就想，总得有人做这个事。

转写文本里的停顿

过了大概一周，小伙子把转写好的文本发过来，是个word文档，没有什么华丽的排版，每一段都标了对应的时间点，甚至还标了每一段之间的停顿时长。我点开的时候手都在抖，之前我以为会是一堆没头没尾的乱码，结果第一句就是外婆的声音：“张师傅，今天楼下的莲蓬卖得便宜，我买了两斤，给你留了最嫩的那个芯子。”然后是外公的声音，断断续续的，每个字之间的间隔大概两秒：“……知道了……你……上次说的……桂花糕……我……给你放……柜子里了……”

最让我惊讶的是，文档里有一段标着“此处停顿19秒，推测为说话人换气”，我倒回去听磁带，果然，那个位置是外公在喘气，之前找的专业转写员根本没注意到这个停顿，直接跳过了。

原来大家说的自然语言处理，从来不是什么能写高考作文、能生成代码的万能魔法，它最珍贵的能力，是接住那些被通用标准漏掉的、细碎的、带着个人温度的声音。我之前在实验室见过好多关于自然语言处理的演示，大屏幕上的模型能在几秒内写几千字的文章，能模拟各种名人的语气说话，可那些炫目的演示，都不如这几页歪歪扭扭的转写文本来得实在。

说实话，之前我总觉得这些技术离普通人的生活太远，是写在论文里的公式，是大公司财报里的营收数字，可那天我坐在车库的小马扎上，看着小伙子对着音频条一点点调整标注的位置，突然就反应过来，技术从来不是飘在天上的东西。

我拿着这个文本去给我妈看，我妈翻到2004年10月3日的那一段，突然就红了眼睛，说那天你外公特意下楼，给我买了我爱吃的糖炒栗子，那天的桂花开得特别香，整个小区都是甜的。

上周我把转写的文本打印出来，装订成了一本薄薄的小书，封面上写了“2003-2005年的日常对话”。昨天我在小区里碰到那个小伙子，他正蹲在地上给楼下的王阿婆转写她老伴留下的旧录音，旁边的石桌上摆了一杯泡好的菊花茶。风一吹，旁边的桂花树掉了几朵花在他的键盘上。