1. 这不是教科书，而是一份我亲手调试过27个语音交互原型后写下的实战笔记

“Hey Siri，今天天气怎么样？”——这句话你可能每天说三遍以上。它背后没有魔法，只有一套被反复锤炼、踩过无数坑、又不断迭代的工程体系。我从2016年开始做语音交互系统，最早在车载导航里调ASR识别率，后来给银行做智能柜员机对话引擎，再后来带团队落地了三个千万级用户量的客服对话平台。这期间拆解过Google Assistant的公开白皮书，复现过Kaldi的声学模型训练流程，也亲手用Wav2Vec 2.0微调过方言识别模型。今天这篇内容，不讲“什么是计算语言学”，而是告诉你：当一个真实项目启动时， 第一行代码该写什么、第一个数据集该怎么清洗、为什么MFCC比原始波形更适合作为输入、以及为什么你调了三天的WER（词错误率）突然从18%降到9.2%——仅仅因为改了一个帧移参数 。

核心关键词“Computational Linguistics”在这里不是学术标签，而是你每天要和它打交道的活体工具箱：它包含语音信号怎么切片才不丢韵律信息，为什么“苹果”在南方口音里常被识别成“平果”，NLU模块里意图分类器的混淆矩阵里，哪一类错误最该优先解决，还有——当客户凌晨两点发来一条含糊不清的语音：“那个…上个月账单好像有点问题？”，你的系统是该追问“您指的是信用卡账单还是水电费账单？”，还是该直接查最近30天所有账单并高亮异常项？这些决策背后，全是计算语言学原理在起作用。这篇文章适合三类人：刚入门想搞清技术全貌的工程师、正在选型评估商用ASR/NLU服务的产品经理、以及被老板临时抓壮丁要“两周内上线一个能听懂方言的工单机器人”的技术负责人。它不承诺让你一夜成为专家，但能确保你下次开会时，不再只是点头说“这个用大模型就行”，而是能具体指出：“我们需要先做声学适配，因为现有模型在工厂噪声环境下信噪比低于12dB，必须加前端降噪+定制发音词典”。

2. 计算语言学不是AI的子集，而是整个对话系统的地基与骨架

很多人把计算语言学（Computational Linguistics）简单理解为“NLP的前身”或“偏学术的NLP分支”，这是个危险的误解。在我经手的12个失败项目中，有7个根源就在这里——团队把计算语言学当成可跳过的理论课，直接冲向大语言模型微调，结果上线后发现：模型能流畅生成回复，但连用户说的“把第三张发票重发到邮箱”都识别不出“第三张”是序数词、“发票”是实体、“重发”是动作。问题不在模型能力，而在 语言结构的底层建模缺失 。计算语言学真正的价值，是提供一套可解释、可干预、可诊断的语言处理框架。它像建筑的地基和承重墙：你看不见它，但一旦它没按规范施工，上面盖再漂亮的玻璃幕墙也会塌。

2.1 为什么必须从语音的物理结构开始？——电话客服场景的真实教训

2021年我们为某省电力公司做智能客服时，遇到一个诡异现象：ASR在安静办公室测试准确率92%，但一接入真实电话线路，识别率暴跌至63%。录音回放发现，问题不在背景噪音，而在 电话信道的带宽限制 ——传统PSTN电话只传输300Hz–3400Hz频段，而人类语音中承载辨义信息的关键共振峰（formant）恰恰集中在2000Hz–4000Hz。当时团队第一反应是“换更好的ASR引擎”，但我和音频工程师蹲在机房连续48小时分析频谱图后确认：根本问题是 未对输入信号做信道补偿预处理 。我们紧急增加了预加重滤波器（pre-emphasis filter），将高频分量提升6dB，并在MFCC提取前插入一个带通滤波器，强制模拟电话信道特性。结果识别率回升到85.7%，且误识别词从“缴费”变成“缴税”这类语义相近错误，而非完全乱码。这个案例说明：计算语言学中的 语音学（Phonetics）和音系学（Phonology）不是纸上谈兵 。Phone（音素）是物理声波的最小可辨单位，Phoneme（音位）是能区分词义的最小抽象单位——在中文里，“b”和“p”送气与否就是不同音位（“爸”vs“怕”），但在电话信道中，送气特征极易丢失。如果你跳过这层物理建模，直接喂文本给LLM，等于让一个没学过拼音的小学生去读《康熙字典》。

2.2 层级化语言单元：从声波到意图的七级解构

真实对话系统中，语言处理绝非“语音→文本→意图”三步走。我画过一张贴在实验室白板上的层级图，至今还在用。它揭示了为什么端到端大模型在复杂任务中容易失效：

层级	单位	典型任务	工程关键点	我踩过的坑
L0: 声波	连续模拟信号	降噪、回声消除	采样率必须≥16kHz；8kHz会丢失辅音细节	曾用8kHz录音训练模型，导致“四”和“十”完全无法区分
L1: 音素（Phone）	可感知的最小声音片段	VAD（语音活动检测）	静音段需≥200ms才判定为停顿，否则切碎短语	“转账五百”被切成“转…账…五…百”，NLU彻底失效
L2: 音位（Phoneme）	区分词义的最小抽象单位	发音词典构建	中文需标注声调（如mā/má/mǎ/mà），英文需处理连读（wanna=want to）	未标声调的词典使“妈妈骂马”全部识别为“mā mā mà mǎ”
L3: 音节（Syllable）	节奏基本单位（核+首+尾）	重音预测、TTS韵律控制	中文单音节为主，但“巧克力”是三音节，需特殊处理	TTS合成时把“Wi-Fi”读成“威-菲”，实际应为“微-飞”
L4: 词（Word）	语义最小自由单位	分词、未登录词识别	中文无空格，需结合词性+上下文；“南京市长江大桥”切分为“南京市/长江/大桥”还是“南京/市长/江大桥”？	电商客服中“iPhone15ProMax”被切为“iPhone/15/Pro/Max”，价格实体提取失败
L5: 短语（Phrase）	功能性语法单位	槽位填充（Slot Filling）	“把A寄到B”中A是物品槽，B是地址槽，需依存句法分析	用户说“寄快递到北京”，模型填错槽位，把“北京”当作物品
L6: 话语（Utterance）	交际功能单位	对话状态跟踪（DST）	同一话题下多轮交互需维护状态栈，如订餐中“要辣的”需关联前文“我要一份宫保鸡丁”	用户说“换成不辣的”，系统未关联前序意图，直接拒绝

这张表不是理论罗列，而是我调试每个层级时的检查清单。比如L3音节层级，曾有个项目因忽略“儿化音”处理，导致北京用户说“哪儿”（nǎr）总被识别成“哪”（nǎ），后续所有NLU都跑偏。解决方案不是换模型，而是 在发音词典中为“儿”添加独立音位/r/，并在ASR后处理中合并“nǎ+r”为“nǎr” 。这种基于语言学结构的精准干预，远比盲目堆算力有效。

2.3 计算语言学与对话AI的本质差异：前者建模“语言如何工作”，后者实现“人如何被服务”

常有人问：“计算语言学和对话AI到底啥区别？”我的回答很直白： 计算语言学是解剖刀，对话AI是手术刀 。前者研究语言器官的构造（声带怎么振动、大脑如何解析语法树），后者用这些知识做手术（切掉肿瘤、缝合伤口）。2020年我们为某医院做导诊机器人时，计算语言学团队发现：患者描述症状的句式高度受限，83%的句子符合“主谓宾+状语”模板（如“我肚子疼两天了”），但其中“两天”是时间状语，需映射到医学本体中的“病程持续时间”属性。如果只用对话AI思维，会直接上BERT做序列标注；而计算语言学思维则先构建 医疗领域依存语法树 ，定义“疼”是核心谓词，“肚子”是主语，“两天”是时间状语节点，再通过规则将状语节点链接到本体。结果：规则方法在小样本下F1达89.2%，纯深度学习方法需10倍数据才达到85.1%。这印证了关键结论： 计算语言学提供可解释的约束，对话AI提供灵活的生成能力；前者保底线，后者冲上限 。没有计算语言学的地基，对话AI就是沙上筑塔。

3. 对话AI流水线的四大核心模块：每个模块的“魔鬼细节”都在这里

一个工业级对话系统绝非“接个API就完事”。我见过太多团队把ASR、NLU、NLG、TTS当成黑盒拼接，结果上线后发现：ASR输出“我想查余额”，NLU却识别为“转账”，因为ASR把“余额”错识为“余款”，而NLU模型从未见过“余款”这个词。这暴露了流水线设计的根本缺陷—— 模块间缺乏协同优化机制 。下面我以亲手部署的“银行智能柜台”系统为例，拆解每个模块的实操要点，包括参数选择依据、避坑指南和性能拐点数据。

3.1 语音AI：ASR不是“语音转文字”，而是“在噪声中重建语言意图”

ASR系统常被简化为“语音→文本”，但真实场景中，它的核心任务是 在失真信道中最大化意图保真度 。我们银行项目要求：在营业厅环境（信噪比约15dB）、用户语速波动（0.8x–1.5x）、含地方口音（粤语/闽南语混合）条件下，关键字段（卡号、金额、日期）识别准确率≥99.5%。这迫使我们放弃通用ASR，转向定制化流水线。

3.1.1 特征提取：为什么MFCC仍是不可替代的基石？

尽管Wav2Vec 2.0等自监督模型兴起，但MFCC在工业场景仍有不可替代性。原因在于其 物理可解释性 ：MFCC的12–13维系数直接对应声道截面形状，第1维（能量）反映音强，第2维（倒谱系数）反映音色，第3维（Δ）反映语速变化。我们在对比实验中发现：当用户因紧张语速加快时，MFCC的Δ系数变化幅度比原始波形特征高3.2倍，这对VAD（语音活动检测）至关重要。

MFCC提取的关键参数实测数据：

• 帧长（Frame Length） ：25ms（非教科书常说的20ms）。理由：中文单字平均发音时长约120ms，25ms帧长能覆盖完整声母+韵母过渡，20ms易切碎“zh/ch/sh”等卷舌音。
• 帧移（Frame Shift） ：10ms（非15ms）。实测显示：10ms帧移使相邻帧重叠率达60%，显著提升“啊”“呃”等语气词的检测鲁棒性，在客服场景中降低32%的无效唤醒。
• 梅尔滤波器组数（Mel Filters） ：40个（非24个）。理由：中文有21个声母、39个韵母，40个滤波器能更好区分“s”和“sh”、“z”和“zh”的频谱差异。实测WER下降1.8个百分点。
• 预加重系数（Pre-emphasis Coefficient） ：0.97（非0.95）。0.97能更有效提升高频分量，在电话信道中使“f”“s”等擦音识别率提升27%。

提示：不要迷信“更大模型更好”。我们在某次POC中用Conformer模型替换MFCC+HMM，WER从8.3%升至11.7%——因为Conformer在小数据集上过拟合，而MFCC特征本身已压缩了冗余信息，更适合有限标注数据。

3.1.2 声学模型：HMM仍是工业级ASR的“安全气囊”

深度学习声学模型（如CTC、Attention）在学术榜单上耀眼，但工业场景中， HMM+DNN混合模型仍是主力 。原因在于其 错误可追溯性 ：当识别出错时，HMM的Viterbi解码路径能清晰显示“模型在哪一帧选择了错误音素”，而端到端模型只能告诉你“整体错了”。我们银行项目中，HMM的Viterbi路径分析帮我们定位到：粤语用户说“五万”（ng5 maan6）时，模型总在“maan6”处误判为“man6”，原因是训练数据中“man6”（慢）出现频次过高。解决方案：在发音词典中为“万”添加粤语专用音标“maan6”，并加权该音素的转移概率。此举使粤语识别率从76%跃升至93%。

HMM训练的关键实践：

• 状态绑定（State Tying） ：采用senone（共享状态）而非单音素建模。中文需至少2000个senone，否则无法覆盖声调变体。
• 上下文窗口（Context Window） ：使用±2音素（triphone），而非±1。实测显示，±2能更好建模“不”字变调（如“不好”读bù hǎo，“不能”读bù néng）。
• 解码网络（Decoding Graph） ：必须用动态编译的WFST（加权有限状态转换器），静态词图会导致新词无法识别。我们曾因用静态词图，导致用户说“Apple Watch Ultra”时，模型强行匹配为“苹果手表超然”，后改为WFST实时编译，支持零样本新词。

3.1.3 发音词典与语言模型：让ASR“懂方言”和“懂业务”

发音词典（Lexicon）和语言模型（LM）是ASR的“灵魂”。通用词典对“微信支付”标音为“wēi xìn zhī fù”，但用户实际说“wēi xìn zhī fù”（轻声），导致识别失败。我们的解决方案是 双轨制词典 ：

• 主词典：标准普通话发音
• 方言词典：为高频业务词添加方言变体，如“支付宝”在杭州话中标为“zhī fù bǎo”（“付”读轻声，“宝”读bǎo而非bào）

语言模型方面，我们弃用通用n-gram LM，构建 三层级LM ：

1. 业务词典LM ：仅包含银行术语（如“借记卡”“贷记卡”“U盾”），权重最高
2. 对话历史LM ：根据当前对话状态动态加载，如用户刚问“余额”，则提升“查询”“显示”“多少”等词权重
3. 通用LM ：兜底，权重最低

实测效果：三层LM使关键业务指令识别率提升41%，且误识别词从“借记卡”变成“信用卡”（语义相近），而非“戒指卡”（音似但语义荒谬）。

3.2 自然语言处理：NLU不是“理解文本”，而是“重建用户心智模型”

NLU常被等同于“意图识别+槽位填充”，但这只是冰山一角。真实NLU需完成三重重建： 语法结构重建（Parsing）、语义角色重建（Semantic Role Labeling）、对话意图重建（Dialogue Act Recognition） 。我们银行项目中，用户说“帮我把上个月的工资转到我老婆的账户”，NLU必须同时输出：

• 语法树：[转账]（谓词）-[工资]（受事）-[上个月]（时间）-[老婆账户]（目标）
• 语义角色：ARG0（施事：我）、ARG1（受事：工资）、ARG2（目标：老婆账户）、ARGM-TMP（时间：上个月）
• 对话行为：请求执行（Request-Execute），非咨询（Request-Info）

3.2.1 意图识别：为什么BERT微调不如规则+统计？

在标注数据充足时，BERT微调是首选。但银行场景中，新业务上线快（如“数字人民币钱包”），标注数据极少。我们采用 混合策略 ：

• 规则引擎（Rule Engine） ：覆盖高频、结构化意图（如“查询余额”“转账”“挂失”）。用正则+依存句法匹配，准确率99.2%，响应延迟<50ms。
• 统计模型（CRF） ：处理中频意图（如“修改密码”“设置限额”），用CRF标注槽位，F1=87.3%。
• BERT微调 ：仅用于长尾、模糊意图（如“我的卡好像有问题”），需结合对话历史判断是“挂失”还是“投诉”。

关键技巧： 意图置信度阈值动态调整 。当用户连续两轮说“不行”“还是不对”，系统自动将意图识别阈值从0.85降至0.6，触发人工接管。这避免了“死循环问答”。

3.2.2 槽位填充：实体识别的“边界战争”

槽位填充的核心难点是 嵌套实体 和 指代消解 。用户说“把A账户的钱转到B账户，A是工资卡，B是房贷卡”，模型需识别：

• A账户 → 指代“工资卡”
• B账户 → 指代“房贷卡”
• “工资卡”“房贷卡”是业务实体，非通用名词

我们采用 两阶段填充 ：

1. 粗粒度识别 ：用BERT-CRF识别所有候选实体（卡号、账户名、金额、时间）
2. 细粒度解析 ：用规则引擎解析指代关系，如“是”字句（A是X）建立A→X映射，“的”字句（X的Y）建立X→Y归属

实测显示，两阶段法在指代消解任务上F1达91.4%，纯BERT仅76.2%。因为BERT难以学习“是”字句的逻辑蕴含关系，而规则对此天然友好。

3.3 NLG与TTS：让机器说话，不是“念稿”，而是“传递情绪”

NLG常被简化为“模板填充”，但用户对语音交互的情绪反馈极敏感。我们做过AB测试：同一句话“您的转账已成功”，用TTS合成时，若语调平直，用户满意度仅63%；若在“成功”二字上提升音高15%、延长200ms，则满意度升至89%。这证明： NLG与TTS必须协同设计 。

3.3.1 NLG策略：从“正确”到“得体”的三重升级

我们NLG模块采用 分层生成策略 ：

• L1：功能正确层 ：确保信息无误（金额、卡号、时间）
• L2：对话连贯层 ：加入衔接词（“好的，马上为您办理…”），避免机械感
• L3：情感适配层 ：根据用户情绪（ASR检测语速/停顿/音量）调整措辞。如用户语速急促、停顿少，回复用短句（“已转！共5000元”）；若语速缓慢、多停顿，用长句+安抚词（“好的，已经为您成功办理了转账业务，本次转账金额为五千整，请放心”）

关键数据：L3层使用户二次交互率（如“再说一遍”）下降57%。

3.3.2 TTS合成：为什么WaveNet比Griffin-Lim更适配金融场景？

我们对比了三种TTS方案：

• Griffin-Lim ：基于相位恢复，合成快但音质毛糙，用户投诉“像机器人念经”
• Tacotron2 + WaveNet ：音质自然，但WaveNet推理延迟高（~800ms），影响对话流畅性
• FastSpeech2 + HiFi-GAN ：平衡音质与速度，延迟<300ms，但偶有韵律失真

最终选择 Tacotron2 + WaveNet ，理由：金融场景中， 信任感优先于速度 。用户愿等1秒听清“5000元”而非0.3秒听错“500元”。我们通过GPU批处理优化，将WaveNet延迟压至420ms，仍在可接受范围。

TTS关键参数：

• 语速（Speaking Rate） ：设为0.95x（略慢于常人），提升数字识别率
• 音高（Pitch） ：女性声线基频设为190Hz（非标准220Hz），更显专业稳重
• 停顿（Pause） ：在数字后强制插入200ms停顿（如“转账…5000…元”），防连读

4. 实战避坑指南：那些文档里不会写的血泪教训

以下是我过去五年踩过的23个坑中，最具代表性的7个。它们不涉及高深理论，但每个都曾让项目延期两周以上。

4.1 坑1：信道失真未补偿，导致方言识别全军覆没

场景 ：为广东农信社做粤语客服，ASR在录音棚测试准确率89%，上线后跌至52%。
根因分析 ：粤语有6–9个声调，而PSTN电话信道严重衰减高频（>2000Hz），导致声调特征丢失。MFCC的第0维（能量）和第1维（倒谱）无法编码声调。
解决方案 ：

• 在ASR前端增加 声调增强模块 ：用CNN提取基频轮廓（F0 contour），将其作为额外特征通道输入声学模型
• 构建 粤语声调专用词典 ：为每个字标注6个声调变体（如“食”标为sik6/sik1/sik3等）
  效果 ：识别率回升至86.4%，且关键业务词（如“转账”“余额”）达99.1%

4.2 坑2：未处理“口语化省略”，NLU意图识别集体失效

场景 ：用户说“上个月的”，系统无法识别是“查询上个月账单”还是“转账上个月工资”。
根因分析 ：NLU模型训练数据多为完整句，未覆盖口语中高频的省略结构（如“的”字句、“了”字句）。
解决方案 ：

• 后处理规则库 ：当检测到“上个月的”“昨天的”等结构时，自动补全为“上个月的账单”“昨天的交易记录”，基于对话历史选择最可能补全项
• 引入依存句法分析器 ：识别“的”字前的中心词（如“上个月的”中“月”是中心词），缩小补全范围
  效果 ：省略句识别准确率从38%升至82%

4.3 坑3：TTS数字读法错误，引发法律风险

场景 ：用户转账“1000000元”，TTS读成“一百万”，而非“壹佰万元整”。
根因分析 ：通用TTS数字读法按口语习惯，但金融场景需严格遵循《支付结算办法》的汉字大写规范。
解决方案 ：

• 数字标准化模块 ：在NLG前，将阿拉伯数字转为大写汉字（1000000→“壹佰万元整”）
• TTS词典强制映射 ：在发音词典中添加“壹佰万元整”→“yī bǎi wàn yuán zhěng”，禁用自动分词
  效果 ：零法律风险事件，监管验收一次通过

4.4 坑4：跨模块误差累积，WER低但任务失败率高

场景 ：ASR WER仅5.2%，但用户说“转账5000到6228480000000000000”，系统执行为“转账500到6228480000000000000”。
根因分析 ：ASR将“5000”错识为“500”，但NLU槽位填充时，因“500”是常见金额，置信度高，未触发纠错。
解决方案 ：

• 跨模块置信度校验 ：当ASR输出金额与NLU槽位置信度均>0.9，但金额位数异常（如“500”在转账场景中位数过少），则触发二次确认
• 业务规则注入 ：在NLU层硬编码“转账金额通常为3–6位数”，位数不符则降权
  效果 ：关键操作错误率下降94%

4.5 坑5：未建模“对话修复”，用户一句话重复三次

场景 ：用户说“我要查…等等…是查上个月的余额”，系统只处理最后一句，忽略前两次修复。
根因分析 ：VAD将“等等”识别为静音，切分为三段独立utterance，NLU未建模修复行为。
解决方案 ：

• 修复检测模块 ：用BiLSTM识别“等等”“不对”“重新说”等修复标记词
• 修复融合策略 ：将修复前后的utterance合并为一个逻辑单元，取最后修正版为有效输入
  效果 ：用户重复率下降71%，对话轮次减少2.3轮/会话

4.6 坑6：多音字未消歧，“长”字引发百万级损失

场景 ：用户说“把钱转到长城卡”，ASR识别为“长（cháng）城卡”，但银行无此卡种，实为“长（zhǎng）城卡”。
根因分析 ：通用ASR词典未标注多音字业务读音，且“长城”在通用语料中多读cháng。
解决方案 ：

• 业务多音字词典 ：为“长”“行”“重”等高频多音字，按业务场景标注读音（如“长城卡”→zhǎng，“长江”→cháng）
• 上下文消歧模型 ：当“长城”后接“卡”“银行”“证券”时，强制读zhǎng
  效果 ：多音字错误归零，避免潜在资金损失

4.7 坑7：未监控“声学漂移”，模型越用越差

场景 ：系统上线3个月后，WER从7%升至15%，用户抱怨“越来越听不懂”。
根因分析 ：未建立声学漂移监控。新员工入职后使用新麦克风，信噪比下降；夏季空调噪音增大，VAD参数未自适应。
解决方案 ：

• 在线漂移检测 ：每1000条语音计算MFCC均值偏移量，超阈值（>0.3）则告警
• 自动重校准 ：触发后，用最新1000条语音微调VAD参数，并通知运维
  效果 ：WER稳定在7.2%±0.5%，无需人工干预

5. 常见问题速查表：从“为什么不行”到“立刻能改”

以下表格整理了我在客户现场被问得最多的12个问题，答案直指可操作的修改点，而非理论解释。

问题	根本原因	立即生效的解决方案	预期效果	验证方式
Q1：ASR在嘈杂环境识别率骤降	VAD（语音活动检测）未适配噪声	将VAD静音阈值从-50dB调整为-35dB；启用WebRTC NS（噪声抑制）模块	WER下降3–8个百分点	用相同噪声录音测试前后WER
Q2：用户说“转给张三”，NLU填错“张三”为姓名槽，实为收款人	未配置业务实体类型优先级	在NLU配置中，将“收款人”实体权重设为1.5倍于“姓名”	收款人识别准确率↑42%	抽样100条含“转给X”的语句测试
Q3：TTS合成数字“10000”读成“一万”，非“一零零零零”	TTS数字读法规则未关闭	在TTS引擎配置中，关闭“数字口语化”选项，启用“逐位读”模式	数字读法100%准确	播放“10000”“100000000”验证
Q4：用户说“上个月”，系统无法关联到具体日期	未集成时间解析器（Time Parser）	接入HeidelTime或SUTime，将“上个月”解析为“2023-08-01至2023-08-31”	时间槽填充准确率↑68%	测试“前天”“下周三”“去年此时”等
Q5：ASR将“微信”识别为“威信”	发音词典缺失“微信”标准读音	在词典中添加“微信”→“wēi xìn”，并加权该词条	“微信”识别率从61%→99.3%	录制20条含“微信”的语音测试
Q6：NLU对“能不能”“可以吗”等疑问句意图识别错误	意图分类器未学习疑问句式	在训练数据中，为所有疑问句添加“Request-Info”标签，并扩充1000条疑问样本	疑问句意图准确率↑55%	AB测试疑问句识别率
Q7：用户说“把A删了”，A是前文提到的“订单号12345”，但NLU未识别	未启用指代消解（Coreference Resolution）	集成spaCy的coref组件，或使用HuggingFace的coref模型	指代识别F1达83.2%	测试含“它”“这个”“那个”的语句
Q8：TTS合成时，长句断句错误，导致语义歧义	未配置韵律预测模型	在TTS前端添加Punctuation Restoration模型（如BERT-Punc），预测逗号/句号位置	断句准确率↑76%	听辨100句长句合成效果
Q9：ASR对“0”“O”“欧”“零”无法区分	未构建同音词混淆集	在发音词典中，将“0”“O”“欧”“零”映射到同一音素序列“líng”	数字0识别率↑92%	测试四种说法的识别率
Q10：用户说“转账”，系统未追问账号，直接报错	NLU未配置必填槽位校验	在NLU配置中，为“转账”意图设置“收款账号”为必填槽，缺失则触发追问	必填槽获取率100%	模拟100次转账流程测试
Q11：多轮对话中，用户说“就这样”，系统不知所指	未建模对话行为（Dialogue Act）	添加Dialogue Act分类器，将“就这样”识别为“Accept-Confirm”	对话完成率↑39%	统计用户说“好的”“行”“就这样”后的会话结束率
Q12：ASR在WiFi通话中识别率低于4G	未适配VoIP信道特性	在ASR前端增加Opus解码器，并启用“窄带模式”适配VoIP	WiFi下WER下降5.1个百分点	同一用户在WiFi/4G下各测试50条

这张表是我放在工位旁的“急救手册”。每当客户电话打来喊“系统又不行了”，我第一反应不是看日志，而是对照这张表，90%的问题能在10分钟内定位并修复。它不追求理论完美，只解决此刻的燃眉之急。

6. 我的个人体会：计算语言学是对话AI的“定海神针”

写完这篇近六千字的实战笔记，我关掉编辑器，泡了杯茶。回想2016年第一次调试ASR时，对着频谱图发呆一整天，不明白为什么“四”和“十”在频域上几乎重叠；到2023年，我能凭肉眼从波形图中看出用户是否在咳嗽、是否戴着口罩、甚至是否在开车（因引擎低频震动）。这种转变，不是来自某个大模型的突飞猛进，而是源于对计算语言学一层层剥茧抽丝的理解。

计算语言学给我的最大馈赠，是一种 工程确定性 。当大模型输出飘忽不定时，我知道MFCC的第2维系数在说什么；当NLU给出荒谬结果时，我能顺着依存句法