# 丹·科科托夫：人工智能与人类的语音识别

> 语音识别专家谈 AI 语音技术的演进、人类听觉机制，以及两者之间的差异与互补。

- 原标题：#151 – Dan Kokotov: Speech Recognition with AI and Humans
- 期数：第 151 期
- 发布日期：2021-01-04
- 嘉宾 / 主题：丹·科科托夫
- 网页版：https://lexfridman-cn.pages.dev/ep/dan-kokotov/
- 官方页面：https://lexfridman.com/dan-kokotov/
- 精读字数：约 9559 字（阅读约 21 分钟）

> 本文为 lex.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

Rev 的人工转录服务每分钟收 1.25 美元。它自家的语音识别引擎，在内部测试集上的词错率是 14%；一个认真的人类转录员，业界公认能做到 2% 到 3%。两个数字摆在一起，像一场还没打完的追赶赛。

真正有意思的地方在别处。Rev 用一份收入同时干了三件事：卖服务收钱、拿到人类校对后的最终文本、还拿到人类校对的过程本身。

丹·科科托夫（Dan Kokotov）是 Rev 的工程副总裁，管着 rev.ai 这个语音识别引擎。他用一句话点破了这家公司的底层结构。

> 我们的商业模式，就是别人付钱请我们标注数据。所以这个飞轮相当神奇。（丹·科科托夫）

做机器学习的人听到这句话大概会愣一下。数据标注是最贵、最枯燥、最难规模化的一环，Rev 把它变成了收入来源。商业模式谈不上多精巧，位置决定了这件事：站在人机交接的那个接口上，数据自己会流过来。

## 先解决一个特别烦人的问题

Lex 用 Rev 用了两年多，理由很朴素。他早年做 YouTube 视频，要转录就去 Upwork 上找人，来回沟通、催进度、对格式，每次都够折腾的。后来他发现 Rev：把音频丢进去，或者直接贴一个 YouTube 链接，一两天后拿到标准格式的字幕文件。

他把这种体验和另一款软件放在一起类比。iZotope RX，做音频修复的。拖进去，噪声、口水音、设备故障带来的杂音，一次性清干净。在此之前他用过 Audition，用过各种插件组合，全靠手动调参数。

> 我一直很佩服那种人，把一个问题接过来，然后让它变得简单。生活里有太多你甚至没意识到有多疼的事情。（莱克斯·弗里德曼）

Rev 的起点跟自由职业市场有关。CEO 杰森是 Upwork 的早期员工，非常熟悉那套模式：客户上来浏览一堆自由职业者的资料，凭感觉挑一个，然后祈祷对方靠谱。客户之所以要挑，恰恰因为自己不是专家，所以挑不准；自由职业者那一头也痛苦，一半时间花在琢磨怎么把个人主页做得更吸引人，而他们同样不是这方面的专家。

Rev 的思路是把整个环节拿掉。选几个足够标准化的垂直领域，做成一个网站，你交文件，我们交结果，中间的麻烦事全部隐藏。最早做的是翻译，后来才加上音频转录。定价也顺着这个逻辑，转录按音频分钟计费，翻译早年按页或者按词。

标准化不只是产品判断，它决定了数据能不能用。编程项目每个都不一样，没法套模板，也没法比较质量。五小时的音频就是五小时的音频，五页的文件就是五页的文件，质量好坏一眼能看出来。Dan 说，Rev 最早接的翻译单子里有一批是董事会证明、移民文件这类东西，格式固定、对错分明，这让他们在早期很容易判断自己干得好不好。

## 两个边的市场，最难的是平衡

Rev 是个双边市场。一边是客户，一边是他们内部叫 Revers 的自由职业者。客户单子多了，Revers 有活干、有钱赚；单子少了，Revers 登录工作台看到空空如也的列表，转头就走。

Dan 说这个问题他们做了很多年，到现在还在改方法。它没有一劳永逸的解，只有持续的调节。

这里有个词他不太喜欢，gig economy，零工经济。他觉得 gig 这个词把工作说轻了，听起来有点玩票的意思。在音乐行业 gig 是正经说法，放到劳动上就变味了。

他更愿意这样描述：这是把在家工作这件事做得更自由，去掉地理限制和时间限制。Rev 的 Revers 里有在家带孩子的妈妈，不想要朝九晚五，但需要一份收入，也想自己决定每天干几个小时；也有想住到山里、住在林中小屋、同时又想赚点钱的人。在旧的就业结构里，这两件事通常只能二选一。

Lex 追问 Revers 的人群分布。Dan 说他们管理层每年会去几个地方，专门和 Revers 见面，基本上到哪儿都能很容易找到一大群，最近一次在犹他州。人群跨度很大：在家带娃的、想赚外快的学生、有社交焦虑不愿意进办公室的，还有一位原本职业履历很漂亮、正在给自己放假的女性，接活的部分原因是想亲自体验一下所谓的零工经济到底是怎么回事。

Lex 补了一个自己观察到的细节。他用 Rev 给 MIT 的深度学习课程做字幕，发现有些 Revers 对技术术语的把握出奇地准，大小写、专有名词、模型名字，处理得比预期好得多。Dan 说他们会去查，会 Google，而且对其中一部分人来说，查证本身就是这份工作的乐趣之一。

> 他们会告诉我们，我喜欢干这个，因为我等于是拿钱看纪录片，一边转录一边学到东西。（丹·科科托夫）

## 一个变成沙虫的暴君

聊技术之前，Lex 先问了科幻。Dan 的答案没有任何犹豫：《沙丘》（Dune）第一，第二好的是《沙丘之子》，第三好的是《沙丘神皇》。整个系列六本，是 Frank Herbert 写的一条完整时间线，必须按顺序读。他儿子后来续写的那一堆，Dan 直接说不必费心。

他真正想讲的是第四本里的设定。主角莱托变成了一个巨大的沙虫与人的混合体，成了统治世界的暴君，压迫人类很长一段时间。但他有目的：人类过得太舒服了，文明陷入停滞，他要用痛苦把人逼出去，逼他们殖民新的星球，把向前的动量重新点燃。

> 你需要一点压力和苦难，才能让人往前走，不至于过得太舒服。也许这是个有点残酷的结论，但看起来确实如此。（丹·科科托夫）

这个类比放在他自己身上挺贴切。一个从俄罗斯出来的孩子，1991 年离开，在那边能玩到的最好的电子游戏是 Pong。他妈妈是程序员，所以他有机会坐地铁去她单位，在一台相当于 286 的机器上、插着软盘玩。他说那在当时已经是一种特权。

Lex 说他没读过《沙丘》，这是他最大的遗憾之一，尤其新版电影要上映了。他玩过那个即时战略游戏。Dan 记得那款游戏，说他自己在俄罗斯的时候也玩过。两个人对新电影的判断倒是接近：预告片看了，有点怀疑。Dan 补了一句，David Lynch 那版虽然有争议、有点让人看不懂，但它是所有改编里最能把原著那种气氛抓住的。

## 为什么机器翻不好俄语诗

话题转到语言。Dan 的父亲写诗，白天有一份正式工作，写诗是他一辈子的热情所在。到了美国之后开始做翻译，先是从英语诗翻成俄语，后来也反过来。

2020 年诺贝尔文学奖给了露易丝·格丽克（Louise Glück）。他父亲翻过她的一本诗集，是少数几个做过这件事的人之一，还因此接受了自由电台的采访，谈翻译诗歌的一些门道。

Dan 说难的地方主要在选词。俄语的语法结构和英语差别很大，有格的变化，有性，英语里没有这些。这也是英俄之间机器翻译格外吃力的原因之一。另一个方向的麻烦在于，英语的词汇量比俄语大得多，所以经常找不到那个能承载同样情绪的对应词。俄语更爱在词上做游戏。

Lex 对这件事的兴趣非常具体。他打算等世界重新开放之后去巴黎，找那对翻译陀思妥耶夫斯基和托尔斯泰的著名夫妇聊。他手上有一批想采访的俄语人士，包括一位完全不说英语的数学家格里戈里·佩雷尔曼，还有他自己说一定要想办法实现的普京。他的俄语能听懂，但不够机灵、不够幽默。

> 我在英语里已经是个白痴了，在俄语里是更高级别的、更尴尬的白痴，但我能听懂。（莱克斯·弗里德曼）

他真正在琢磨的是采访的形态。三个人在场，一个人用英语提问，一个人翻给对方，对方用俄语回答，再翻回来。它像一支三人舞，节奏和默契都需要重新设计。他想先从文学译者入手，因为这些人懂语言里那些细微的东西、懂来回摆荡的分寸，然后再去考虑实时语音的可能性。

## 从写代码到写人

Lex 说接下来的问题大概是他能问出的最糟糕的一个：一个工程师，是怎么走到管理岗上去的。

Dan 的回答从童年开始。他记得第一次写程序时那种惊奇，一段代码敲进去，有个东西活过来了，而它在此之前并不存在。其他工程领域也有创造，但受物理限制；在计算机上，任何程序你都能造出来。他说这有点接近于神的体验。

> 那是你创造出来的一件东西。这就是我入行的原因。（丹·科科托夫）

转变的代价在哪里，他讲得很实在。做独立贡献者的时候，反馈极其清晰：你在写一个东西，它一点一点成形，你知道自己今天 productive 还是不 productive。做了管理者，信号变弥散了。你希望自己在激励团队、在让团队更高效、在鼓舞他们，但不会有一行行代码写完那种多巴胺。

> 你靠别人的多巴胺活着。你会看到团队做出了不起的东西，然后从那里获得骄傲。（丹·科科托夫）

Lex 分享了他自己带团队时的观察。同样是高强度批评，有些人被吼一顿之后能爆发出更好的状态，被推到极限；另一些人本身自我批判已经够狠，任何一句负面反馈都会压垮他们，只能不停肯定、不停庆祝那些微小的胜利。人跟人的差别大到这种程度。

Dan 提到一本他们要求新经理去读的书，《首先，打破一切常规》（First, Break All the Rules）。核心是“按例外管理”：不要预设一套模板，不要假设“我就是这样给反馈的”，每个人驱动自己的东西不一样，管理要做的是搞清楚那是什么，然后为这个人定制。

## 把指标定在长期幸福上

对话拐到了一个更硬的地方。Lex 说他相信人的智力，主张信任，但平台也有责任让世界多一点善意，而它们做得并不好。言论自由和“劝你别当混蛋”之间的界线在哪里：你有说话的权利，但没有一条宪法能写进“最高法院不能判你是个烂人”。

Dan 说这其实是个挺有意思的机器学习问题，机器学习的“让人友善一点”。他提到 Jack Dorsey 谈 Twitter 的愿景时用的是“提升对话的健康度”，但他怀疑他们到底有多认真在做。

难的地方在激励结构。愤怒、或者说愤怒的升级版“愤慨”，驱动参与度，而这些公司被参与度衡量。

> 我的基本信念是，如果你把指标定在用户的长期幸福上，而不是短期参与度上，长期来看你会赚更多钱。（莱克斯·弗里德曼）

Dan 大体同意，但指出这需要一个极有耐心的人，还需要华尔街给他信任。

这里 Lex 讲了一段他对 Steve Jobs 和 Elon Musk 的理解：你得强到可以把董事会和投资人扣为人质，说要么按我的方式来，要么我走，而所有人都因为相信你的愿景而不敢让你走。这要求你真的强到那个程度，所以第三个名字没那么容易想出来。

Dan 接过话头：把公司简化成一个数字，是这件事走偏的起点。数字在涨，你就说服自己一切正常。可坐在那个位置上的人不是把这个东西做出来的人，他是后来被招进来的产品经理，任务是把某个指标提升 10%。

> 你必须要有愿景。你必须希望人们爱上你做的东西，因为爱才是一个公司能长期成功的起点。（丹·科科托夫）

他举了苹果的例子，说苹果最被人称道的一点是即使规模很大也保持小团队。他推荐了 Ken Kocienda 写的《Creative Selection》，作者是参与做 iPhone 键盘和自动纠错的工程师，书里写的是给 Steve Jobs 演示的真实过程，比如某个键的圆角弧度不对，就得回去改。团队小，所以人真的在乎。

## 一个转录员的工位长什么样

Lex 让 Dan 讲讲实际流程：一个 Rever 登录之后看到什么，多少是自动的，多少是人工的。

Revers 登录自己的工作台，看到一个待转录的音频列表。系统提供筛选工具，有人偏好长音频，有人偏好短音频，有人喜欢某个题材或者某个国家的口音，这些偏好都能设。挑好之后进入 Rev 自己开发的编辑器，效率是专门优化过的。

起点是机器生成的草稿。Rev 的语音识别先跑一遍，人的工作是修正。修多少取决于音频质量。像他们这场对话这种录音条件，机器草稿会相当不错；但如果是有人在礼堂后排录的讲座，讲者离得远、还有大量交叠说话，机器识别会垮，转录员可能干脆从零开始打。

说到速度，Dan 估计质量好的音频大概能做到 2 到 3 倍实时，也就是花两三倍于音频时长的时间。实时基本不现实。他提到公司鼓励每个人都去当一天转录员，因为这份工作比外人想的难得多：人说话快，有口音，各种意外。Lex 笑着说，说不定此刻就有人正在给这一期做字幕，听到这里会骂“你说错了，明明要花更久”。

这里出现了这次对话里最有趣的一次“元”时刻：他们正谈论的这家公司，正在被用来处理这段关于这家公司的谈话。

## 14% 和 3% 之间

ASR，自动语音识别，Dan 给的定义很干脆：一类机器学习问题，把语音转成词序列。

这里有个关键词，领域。Siri 属于另一个领域，它的词汇量受限，你让它放首歌、订个披萨，它做得很好，而且它会逐渐适配你的声音。开放式的、完全无结构的对话是另一回事。Dan 说在这个领域，他们认为自己有世界上最好的引擎。

衡量标准是词错率（WER）。算法是把插入、删除、替换加起来：多出来的词算插入，说了但没出现在文本里的算删除，把 Apple 认成 able 算替换。Rev 内部测试集的词错率现在是 14% 左右。人类认真做，业界普遍认为极限在 2% 到 3%。

Lex 直接问：你们是在跟 YouTube 和 Google 比吗？

Dan 说 Google 在 ASR 和自然语言处理上的团队绝对在第一梯队，他们拿自己跟 Google、Amazon、Microsoft 以及一些更小的对手比，测试集是自己拼的，里面有播客、视频、访谈、讲座，尽量做到有代表性。在他们自己的测试里，Rev 赢。

顺手还聊了价格。人工转录以前是每分钟 1 美元，现在大约 1.25 美元。纯机器的自动字幕服务，也就是 Temi，现在每分钟 25 美分，用户拿到机器稿和一个编辑器，自己再改。Dan 说 Upwork 上确实能找到更便宜的人，但质量就没法保证了。

Lex 承认自己干过一件典型的程序员蠢事：他想用 Python 写脚本自动下载转录结果，折腾一阵之后意识到，以他做字幕的频率，花在自动化上的时间根本不划算。Dan 笑说，如果你的最大瓶颈是点一下 Rev 的下载按钮，那你已经在做 Elon Musk 级别的生意了。他们也提供 Zapier 集成、Dropbox 联动和 API，想要多深就能做到多深。

## 编辑动作本身就是下一层数据

聊到数据，Dan 的说法很直白：ASR 里最重要的东西是数据，这在今天大多数机器学习问题里都成立。数据越多、质量越高、标注越准，结果越好。而 Rev 的数据是别人付钱让他们生产的。

他承认他们现在只用了飞轮的一部分。最终稿和原始音频是明确在用的。但转录员在编辑器里做的每一次修改，那些中间过程，原则上同样是极有价值的数据源，怎么用还没想清楚，这是接下来几年要做的事。

Lex 从自己的经验补充了一条。他在做驾驶场景的语义分割标注，让人绕着物体画多边形。他一直觉得那些点击序列里藏着比最终结果更丰富的信息：鼠标怎么移动，多边形怎么被修正，先点哪里后点哪里。学术界确实有零星几篇论文试图用循环神经网络去学人类的勾勒过程，但都是 CVPR 风格的小数据集实验，没什么人认真推下去。

Dan 说直觉上那里面一定有信号，包括每一次修改花了多长时间这种细节。听起来这就是接下来两年让他们兴奋的地方。

## 把每一次会议变成可检索的笔记

rev.ai 是这套引擎对外开放的形态。Rev 的路线图是这样的：早期只有人，然后做了 Temi 服务普通消费者，接着把 ASR 引入自己的人工转录流程，最后是 rev.ai，把引擎开放给外面。Dan 拿 AWS 做类比：AWS 提供积木，看别人搭出什么，再把搭得最多的那几种变得更容易。

他自己最想要的应用场景是会议。做了管理之后，一天大部分时间在开会，经常想回头查某句话是谁说的、上下文是什么，而这些信息基本拿不回来。如果所有会议都被索引、归档，可以分享一个片段，这件事的性质就变了。远程办公普及之后，需求只会更明显。

Lex 把同样的问题指向播客。播客的搜索和发现几乎是零，你能做的只有订阅一个创作者，然后跟着走，找东西靠回忆标题里的关键词。他提到自己经常听到某个推荐的产品，想回头找，基本不可能，除非主播的 show notes 做得特别细。

他提到 Buzzsprout 提出的一份 RSS 扩展规范，用标准化的方式在 feed 里引用转录文本。如果大部分播客客户端都支持，任何一期节目都能直接在播放器里看文字稿。

然后话题拐到 Spotify 和 Joe Rogan 的独家协议。Lex 说他做了很久的心理建设，最后还是支持这个决定，但他自己不会做同样的选择，因为他相信播客里那种“海盗电台”式的自由，那种开源精神。他也承认独家有另一面：平台和你绑在一起，希望你成功，Joe 告诉他 Spotify 从不给任何内容上的意见。

对比之下，YouTube 对绝大多数的顶级创作者，给的支持都相当有限。它看 Joe Rogan，看到的是一个可能请来争议嘉宾的麻烦，而不是一个可能改变公共讨论形态的人。这里的分寸极其难拿：怎么定义危险的假信息，怎么区分恶作剧式的阴谋论和真正有害的那种，一旦开始开会讨论“什么算真”，事情就变得很怪了。

Dan 说他更担心另一头，管得太多。Lex 提到了 Sam Harris 和 Jack Dorsey 的那场对话，Sam 问 Jack，你怎么能不把现任总统封禁。当这个问题本身可以被摆到桌面上讨论的时候，所有东西就都可以被讨论了。

Dan 的态度偏实用主义：如果一个人会被 YouTube 上某段视频说服，相信政府被外星人接管了，那么把这段视频下架，大概率也不会让他恢复清醒。

## 官僚不用怀恶意也能作恶

两个人聊电影的时候，反复绕回同一个母题。

Dan 说他在读《美丽新世界》（Brave New World），惊讶于赫胥黎的预判力。书里有基因分层，阿尔法和厄普西隆从出生就被安排好位置。今天能隐约看到类似的机制：婚姻越来越倾向于发生在智识水平、社会经济地位相近的人之间，比过去更明显，社会在分层。他顺手把它和道金斯的“模因”连起来，说社交媒体上的信息茧房是同一个过程的另一个版本。

然后是《巴西》（Brazil）。Lex 说这是他最喜欢的反乌托邦电影，Dan 说他一直想看。Lex 的描述是：片子的底色是威权下的无能，系统处处失灵，没人愿意挑战它，事情就这么一直烂下去。它比《1984》里那个高效邪恶的独裁政权更可信。

Dan 补了一个观察：电影里的政府通常被写得异常能干，能干是被当作叙事工具用的，无论正邪。现实里更常见的剧本是无能，而无能本身会带来难以预测的后果。

两个人对《切尔诺贝利》的看法一致。那部剧好看的地方在于，它把灾难的成因放在官僚机器上：信息沿着链条向上传递时被一层层扭曲，没有人愿意承担责任，懒惰和恐惧累积成了事故。剧里没有哪个角色天生邪恶。Lex 说他一直觉得斯大林的故事比希特勒的更需要被讲述，几千万人死了，而那种官僚机器的运作方式，今天还可能在某些地方以我们不知道的方式发生。

他提到在节目里采访过的历史学家斯蒂芬·科特金（Stephen Kotkin），普林斯顿的斯大林专家，读过的东西比斯大林本人还多，现在也开始写普京。Lex 说他目前为止读过所有英文的普京传记，还要再读俄语的。这是他给自己做心理准备的方式。

他谈自己准备重大采访的方法：尽量不去想问题，到最后一刻才开始，在那之前只是大量吸收材料，让自己进入那个人的思维模式。他形容这是一种极端的共情能力，像剧集《汉尼拔》里那个角色，能理解凶手为什么这么做，代价是一半时间待在恶人的脑子里。

## 播客是一种单向的友谊

Lex 说播客有一种奇怪的力量：单向的人类连接。他跟 Joe Rogan 认识十年，但这十年里只有一边认识另一边。他现在还觉得不真实。

Dan 从进化角度解释这件事。人类在草原上待了几百万年，对“我跟部落里其他人的关系是好是坏”高度敏感，因为关系坏了，你可能会被落下，然后被狮子吃掉。声音里带着大量这种信息，语调、停顿、语气，全是远古时代用来判断亲疏的线索。

> 你在 Twitter 上连接的不是一个具体的人，是一个抽象物。你听不到那个声音，所以很容易给对方安上任何恶意，很容易去人性化。而面对真实的声音，这要难得多，因为你意识到声音背后是一个真实的人。（丹·科科托夫）

Lex 说这就是为什么播客里三四个小时能成立。它跟点击诱饵式新闻正好相反，人们在社交媒体上因为一句稍微有点张力的话就被取消，同时又渴望着完整、不剪切、不设防的长对话。

## 造一个 HTML 按钮和造一个孩子

访谈快结束时，Lex 问了那个老问题：意义是什么。

Dan 说他不太允许自己经常想这个，生活也不太允许。但真要回答，大致的答案是为“人类”这个奇怪的东西做点贡献。你可以把人类看成活着的、持续演化的有机体，每个人只是靠存在、靠拥有自己那套独特的欲望和驱力在参与其中。也可以具体一点：做出点了不起的东西，养出独特而不同的孩子，看着他们加入进来，去做他们要做的。

他说如果一个人不信教，意义大概就在活着和创造里。

Lex 说那个创造引擎本身就有魔力。哪怕只是一个按钮上的 JavaScript，把它从无到有带到世界上，这件事跟进化里的另一件事有回声。

> 如果你有宗教背景，你也许会说我们被造得跟神的样子相似。那其中一部分，大概就是我们自己也有创造的驱力。（丹·科科托夫）

节目最后，Lex 引了维特根斯坦的一句话：我的语言的界限，意味着我的世界的界限。

这句话放在整场对话的结尾，出奇地贴合。Rev 做的生意，本质上是在拓宽这条界限：把说过的话变成可以检索、可以引用、可以被另一个语言的人读到的文字。一个人一生中说过的话，绝大多数在说出口的瞬间就消失了，能被留存、被检索的比例小到可以忽略。如果技术真的能把这件事变成默认设置，改变的不只是工作效率。

Dan 提到他们公司内部的惯例，请每个人都去当一天转录员。这个做法值得借用。

- 想真正理解一个 AI 系统现在的能力边界，去亲手做一遍它正在替代的那件事。花一小时听一段嘈杂录音打字，你会立刻明白 14% 和 3% 之间的差距到底意味着什么，也不再会轻易相信“语音识别已经没问题了”。多数人对模型的信任来自演示视频，而演示视频都挑过素材。
- 去查一下你的业务里，有没有一个环节是“别人付钱请你标注数据”。如果有，它大概率正被当成成本中心在管，而它其实是你最深的护城河。Rev 把最贵的一环做成了收入，位置决定了这件事。如果你的产品每天在产生高质量的人工修正结果，却没有把这些修正动作存下来、结构化、喂回模型，那是在把每年最值钱的资产扔掉。
- 把指标从短期参与度换成长周期的东西，哪怕只在内部分试一次。Dan 和 Lex 在这件事上难得一致：盯着用户长期幸福的公司最终会赚更多钱，但这需要一个能扛住董事会压力的位置。做不到那么大，也可以做得更小：在一个季度里，用“三个月后还在用的人有多少”替代“这个月点了多少次”，看结论会不会不一样。指标换了，产品的形状会跟着变。
- 给团队里的人做一次“例外管理”盘点。写下每个人需要的反馈类型：谁在高压批评下状态更好，谁自我批判已经过重、只能靠肯定推进，谁需要具体的示范而不是抽象的鼓励。这份东西不用给别人看，写下来自己清楚就行。大多数管理失败出在拿一套模板套所有人，而不是能力不足。
- 如果你在做内容，无论是播客、课程还是内部会议，把转录当成默认动作。价格已经不是障碍，Rev 的人工转录每分钟 1.25 美元，纯机器 25 美分，自己动手改的 Temi 还要更省。真正的收益藏在别处：文字稿让内容变得可搜索、可引用、可被另一个语言的人读到。一期三小时的对话，能被检索到的部分不到百分之一，剩下的都在说出口的瞬间蒸发了。
- 留意 RSS 里的转录扩展这类开放规范。Buzzsprout 提的那份方案如果被主流播客客户端接受，任何一期节目都能直接在播放器里看文字稿，不需要平台方做任何事。这类底层标准的价值被严重低估：它把能力下放给所有人，而不是锁在某一家手里。做内容分发的，值得盯一眼；做工具的，值得考虑支持一下。
- 克制住“把一切自动化”的冲动。Lex 花时间写脚本自动下载转录文件，最后意识到以自己的使用频率根本不划算。判断标准很简单：这件事你一个月做几次。低于十次，手动点击的成本远低于维护脚本的成本。程序员的职业病是把一次性的麻烦当成系统性的麻烦，然后为它写一个只有自己会用、三个月后就跑不起来的工具。
- 想验证一个 AI 产品到底行不行，别看宣传口径，看它敢不敢让你看到中间过程。Rev 让每个员工去当一天转录员，这个做法值得抄。你的团队里有多少人真正上手用过自己产品的“人工兜底”环节？如果没有人做过，那对能力边界的判断基本靠猜。