要点总结
要听懂一条你不会说的语言发来的语音消息，需要分两步操作：先把音频转换成说话人实际使用的那种语言的文字，再把这段文字翻译成你能看懂的语言。翻译软件在第一步完成之前根本派不上用场，因为它一直在等你输入文字。转写这一步才是决定质量的关键，一旦这里出了错，错误会被“忠实”地翻译成你的语言，看起来反而不像是错的了。自己把这两步都做完，就不用再让别人听到这条消息了。
一条语音消息发来了，可能是亲戚、供应商，或者房东发的。你听出了几个词，知道这事儿挺重要，但具体说的是什么，你完全不清楚。最直接的反应，是打开手机里已经装好的翻译软件——可这招根本不管用，因为软件在等你输入文字，而你连听都听不懂，又怎么打得出来呢？
第二个直接反应，是把消息转发给会这门语言的人。这确实管用，但也要付出一些你可能并不想付出的代价。这篇文章要说的，是不靠这两种办法该怎么办，机器能做到什么程度，以及它容易出错的地方——哪怕你完全看不懂那种语言，也能学会怎么发现这些错误。
为什么你手机里的翻译软件根本用不上
翻译语音其实是两个动作，却共用一个名字。第一个是转写：把声音转换成说话人所用语言的文字。第二个才是翻译：把这些文字转换成你能看懂的语言。这是两套完全独立的机制，出错的方式也不一样，而大多数人常用的工具，其实只做第二件事。
这正是你手机里那个翻译软件毫无用处的原因。它是围绕一个文本输入框设计的：文字进去，文字出来。给它一个音频文件，它根本无从下手。有些工具支持通过麦克风输入语音，如果是你自己说话、还能重复一遍，这倒是有用；但如果是别人在信号不好的地方语速很快地说的一段录音，这就帮不上什么忙了。
一旦你明白这两步的先后顺序，问题的性质就变了。你要找的不是一个“翻译器”，而是一个能把消息还原成原始语言文字的工具，之后你平时用的翻译习惯照样管用。文字翻译这一步，用你原来惯用的工具就行；真正需要解决的，是前半段。
这也解释了一件让很多人摸不着头脑的事：一条消息怎么会被翻译得又流畅又自信，却完全是错的。因为翻译这一半确实做对了它的工作——只不过拿到的输入本身就是错的，它把错误也翻译得漂漂亮亮。
请别人帮忙听，要付出什么代价
把消息转发给一个懂双语的朋友、表亲，或者恰好会这门语言的同事，速度快，通常也准确。但这也意味着，你把一段私人对话的全部内容——连语气都一起——交到了别人手里。
如果只是一条关于送货日期的消息，没人会在意。但如果内容涉及钱、健康或家人，情况就不一样了。一条亲戚发来的、关于体检结果的语音消息，你不会想让同事听到。房东发来的关于欠租的消息，你也不想在自己还没搞清楚怎么想之前，先讲给朋友听。供应商发来的关于付款问题的消息，同理。
结果往往是，这条消息就那么放着，一直没被打开。不是因为它不重要，而是因为处理它意味着要拉别人进来，而这种“拉人进来”的社交代价，早在你还不知道消息内容之前就已经要先付了。很多人的语音消息就这样搁了好几天，原因正是如此。越是不敢让人念出来的消息，往往就是越不敢打开的那条。
这是一个自己动手完成这两步的实实在在的理由，值得说清楚，而不是把“隐私”当成一个附加卖点随口提一句。这不是说机器转写比你表亲做得更好——你表亲大概率做得更好。关键在于，你可以先自己一个人把内容看一遍，然后再决定要不要让别人知道。
第一步的质量，决定了第二步的结果
结果有没有用，全看原始语言的转写文本质量。转写做对了，翻译就是一件很常规的事。转写做错了，错误就会一路带下去。
危险的地方在这里：如果原始语言的转写出了错，而你根本看不懂那种语言，你永远不会察觉这个错误。它会被送进翻译这一步，被准确地转换成你能看懂的语言，最后呈现出一句读起来完全正常的话。没有任何突兀之处，没有任何东西会提醒你。一个错误的词经过翻译之后，看起来和正确的词一模一样。
对比一下你熟悉的语言：如果转写出错，你自己就能察觉。读到一句话，发现不通顺，再放一遍录音核对。可这条“自我纠错”的路，在这种情况下你走不了——你在阅读一个自己无法核实的过程产出的结果。
由此得出一个实际的做法：该怀疑的是转写文本，而不是翻译文本。如果你看到的中文读起来怪怪的，问题几乎从来不出在翻译这一半，几乎总是转写那一步听错了某个词。解决办法是找到原始语言文本里对应的位置，重新听一下那段音频——哪怕你听不懂说的是什么。听出说话人说的是一个短词，而转写文本里却是个长词，这本身就是一个信号。
让工具自己判断语言，然后核对它判断得对不对
一个实际的障碍马上就会出现：有些工具要求你先从列表里选出原始语言，才肯开始工作。如果你自己都拿不准是哪种语言——很多人确实分不清几种相近的语言——那你选的这个设置，恰恰决定了整个结果的走向，而你只是在瞎猜。
直接从音频里识别语言，可以省掉这一步。SozAI 的 WhatsApp 网页版扩展程序会根据录音本身判断语言，而不是让你自己选，并且会在结果上标注它判断出的是哪种语言。这个标注非常有用，因为它能帮你一眼发现判断错了：如果标出的语言，你明知道对方根本不会说，那下面这段转写文本就不值得再看，你能在一瞬间看出来，而不是纠结了半天还没弄明白。
有一点要提前说明：摘要会用消息原本使用的语言呈现。这一步的做法是对的，但也意味着，一条你原本看不懂的消息，现在依然是一条你看不懂的消息。你把一个“音频问题”变成了一个“文字问题”——这正是整个操作的目的所在，但接下来翻译这一步，还是得你自己来做。
最容易出错的部分，恰恰是最重要的部分
自动转写在处理普通连贯的口语时表现最好，但在三类内容上最容易出错：人名、地名和数字。一个常见词可以根据前后文猜出来，但一个姓氏猜不出来，一个街道名字猜不出来，一个数字也猜不出来。
再想想语音消息通常都在说什么：在哪儿见面、欠多少钱、是哪一天、谁对谁说了什么。你真正需要的信息，恰恰集中在转写文本里最不靠谱的那几处。而在一条关于地址或金额的消息里，这些细节不是细枝末节，它们就是这条消息本身。
所以读转写文本要分两遍看。第一遍看整体：谁在说话、说的是什么事、今天要不要回复——这部分可以放心相信。第二遍只看具体细节，这部分要核实，不要轻信。
- 遇到数字，把那几秒的音频重新放一遍，留意具体的读音——即便听不懂那门语言，数字往往还是能听出来的。
- 核对人名时，去看自己的联系人列表或之前的聊天记录，而不是只看转写文本。
- 核对地址时，和你手上已有的、这个人或这家商户的地址信息做对比。
- 如果一个金额会直接影响你接下来的行动，行动之前先用文字确认一遍。
请对方用文字再确认一次数字，并不代表你没听懂，这就跟你在自己的语言里，电话信号不好听错了一个数字时会做的事一样。
它做不到的事
它不能一步到位地把消息直接变成你能看懂的语言。两步就是两步，转写文本出来的时候，用的是原始语言。如果你想要的是省掉翻译这一步、直接拿到一份你的语言的最终版本，那属于另一项任务，不只是转写，可以看看跨语言翻译这个功能。同样的道理也适用于那些不是通过 WhatsApp 消息、而是以文件形式保存的音频——一段录音、一个转发过来的附件、从手机里存下来的东西，这类文件转写应用可以处理，而一个针对 WhatsApp 网页版的浏览器扩展程序做不到。
它也听不出语气。一条很长的消息被浓缩成简短的转写文本之后，犹豫、温情、不耐烦，以及说到关键那句话之前的停顿，都会被抹掉。如果你想判断一个亲戚到底有多担心，光看文字是不够的，这时候应该拿着转写文本再听一遍原始录音。
录音质量差的时候，它也不靠谱。风声、车里用免提通话、两个人同时在说话、在走廊里录的语音消息——输入质量差，得到的往往是一份“看起来很自信”的错误转写，而不是一个明显的失败提示，这反而更麻烦，因为它看起来完成度很高。
而当消息内容真的含糊不清时，它也代替不了你那位懂语言的表亲。它能帮你做到的，是在让别人听到消息之前，先弄清楚这条消息到底是不是含糊不清的。大多数时候答案是“不是”，你自己就能处理。等答案是“是”的时候，你已经知道该拿哪三十秒去问别人，而不是把整段录音都甩过去。
