📄 提示词动了，词错误率为什么不动：一次生产级口述史转录的预注册阴性消融

英文题目：No Detectable Change in Side-Level WER from Prompt-Level Context: A Preregistered Ablation on a Production Oral-History Corpus

一句话：在 19 面退化磁带口述史上做配对消融，发现自由文本提示词并未改变侧级 WER（gpt-4o 中位差 +0.6 点，区间[-1.1,+1.0]），而词表短语的序列对齐小幅改善被稀疏性稀释，配置选型与病态筛查才是更有效的操作杠杆。

标签：#语音识别 #大语言模型 #鲁棒性 #基准测试

评分：7.4/10 | 创新 1.3/2 | 技术严谨 1.3/1.5 | 实验充分 1/1.5 | 清晰度 0.8/1 | 影响力 0.7/1.5 | 开源 1/1.5 | 可复现 0.3/0.5 | 工程/实践 1/1.5

👥 作者与机构

• Theodore O. Cochran：AI for Altruism
• Stephanie Dodson：Independent Researcher
• Keith Nore：Independent Researcher

💬 毒舌点评

亮点在于把一个本可被当作“提示词没调好”的阴性结果，做成了带预注册、哈希冻结与端到端审计的可信证据，并用序列对齐的词表级拆解解释了为何侧级词错误率不动而词表短语确实被更多产出。短板是19个磁带面且聚类在8个受访者上的小样本与单次转录设计，让主结论只能停留在单次观测的窄区间描述，叠加Gemini端的高度不稳定性与7天后4面重跑才能揭示的运行间变异，外部推广价值被大幅压缩。

📌 核心摘要

论文针对生产级口述史转录工具Dialog Scribe中以自由文本提示词注入领域知识的做法，检验其是否能在真实部署链路上降低词错误率。方法是在同一批1970年代至1980年代退化磁带音频上做配对消融，保持转录配置不变，仅切换无提示词、通用结构提示词与完整生产提示词三档，并与两套已部署商用配置交叉。结果显示在gpt-4o-transcribe上完整提示词相对无提示词的中位配对词错误率差异为\(+0.6\)点，侧级自举95%区间为\([-1.1, +1.0]\)，\(p=0.57\)，Gemini 2.5 Flash区间为\([-2.5, +7.0]\)且不稳定，4个预注册假设均未得到支持。探索性分析发现提示词确实将词袋短语覆盖度从\(71.8\%\)提升至\(79.6\%\)并诱发说话人标签，但序列对齐后已列短语错误率下降约6个点仅对应约\(1.2\%\)语料占比，折算到词错误率不足\(0.1\)点。实践含义是将投入从提示词工程转向配置选型与病态输出筛查，并将评测重心从聚合词错误率转向词表级与说话人归属等构念。局限在于单操作员、单收藏、单访谈人贯穿、英语、约10分钟分段、19面样本聚类以及商用端点未版本化与单次采样带来的随机性，且未预注册等价界值。

🔗 开源与复现资源

• 代码：https://osf.io/9nsvr ，预注册DOI为10.17605/OSF.IO/NS49B ，发布存档为context-effect-osf-release-2026-07-18.zip ，SHA-256为366d7acfff7edeeefdd9a7f7991a376af911eb5723003cc7188693e50c9b6821 ，包含17个文件，其中3个分析脚本已附于预注册并镜像于OSF组件文件存储中，第4个脚本哈希已冻结于预注册
• 模型权重：论文中未提及，研究所用gpt-4o-transcribe与gemini-2.5-flash均通过付费API调用，未提供权重链接
• 数据集：原始音频、数据库快照与参考转录文本未发布，伪匿名化结果数据已开源于https://osf.io/9nsvr ，包含主研究per-(side, model, arm)结果文件114行与随机性重跑per-(side, model, arm, repetition)结果文件120行，侧边编号为S01至S19，访谈对象聚类为C1至C8，附数据字典
• Demo：论文中未提及
• 复现材料：预注册包含冻结假设、指标定义、统计计划与4个分析脚本的SHA-256哈希，发布材料包含标签化事后分析与绘图脚本种子为20260715重跑运行器与评分器种子为20260718确认性分析、事后分析与重跑分析的完整控制台输出软件版本与锁定依赖，侧边名称已伪匿名化，文档快照存档为context-effect-provider-docs-2026-08-28.zip ，SHA-256为05d58cbb5e6f7cdc474b0e86a0fcad9f5d3d1e78567407d111a516e0061ed95a
• 论文中引用的开源项目：Whisper Small与Whisper Medium论文中未提及链接，CLAS论文中未提及链接，WFST biasing论文中未提及链接，tree-constrained pointer generator论文中未提及链接，contextual adapters论文中未提及链接，Dialog Scribe为作者开发的生产系统论文中未提及开源链接

🧭 深度解读

把领域知识塞进提示词，为什么听起来一定有用？

想象你拿到一盘 1970 年代的盒式磁带，里面是阿拉斯加 Skagway 1 位老铁路工人的回忆。磁带嘶嘶作响，人名地名密集：White Pass、Dyea、Lake Bennett，还有绰号 hostler。你把音频丢给最新的多模态转录 API，顺手在提示词里附上 34 个本地词表和人物简介，直觉上模型应该少错几个罕见词，整体词错误率也该下降。

这正是过去几年产品化的默认假设：推理时给自由文本上下文，是一种近乎零成本的领域适配。但直觉在这里会撞上两堵墙。第一堵是错误构成：退化磁带的错误不全是“不认识词”，更多是信噪比低、长时不稳定、说话人重叠。第二堵是模型能力：越大的模型，通用词汇已经很强，提示词的边际收益越容易被稀释。

论文要回答的不是“提示词有没有用”的抽象问题，而是“在已上线、每天都在跑的生产链路上，这条最显眼的杠杆到底拉动了什么”。答案需要把同一批音频用同一套生产代码原样重跑，只切换提示词，并在聚合指标之外看清稀疏的词汇增益。

这条杠杆在文献里处在什么位置？

语音识别的上下文利用有两条清晰的路线。早期 Whisper 的“前文条件”本是长音频解码的启发式，把前一个窗口的文本喂给解码器，解码不可靠时反而要关掉。OpenAI 对 whisper-1 的提示词也明确说能力有限，而对 gpt-4o-transcribe 则把 prompt 参数描述为可用的上下文通道。

另一条是更成熟的解码时偏置家族：从 WFST 在线偏置、子词浅融合，到 CLAS 对短语列表的注意力、Trie 深偏置、指针生成器与上下文适配器。核心都是把结构化的词表直接压进解码假设空间，并用可调的 boost 权重显式权衡误插入风险。商业服务也常把“自由文本提示”与“结构化词表加权”作为两套独立接口提供。

近两年的基准则给自由文本提示词泼了冷水。ProfASR-Bench 发现即使给 oracle 提示词，平均 WER 也几乎不动；ContextASR-Bench 在 30 万实体上发现模型依赖极强；IndicContextEval 在同类商用端点上发现实体列表只动约 2.6 个点。唯一显著正例是空管语音上 Whisper Small/Medium 被领域提示词近乎减半，但那是词汇高度饱和的极端场景。

提示词条件 × 解码时偏置： 提示词条件指在推理时把人名、地名、术语等自由文本塞进大模型的指令通道，让模型“看懂”领域；解码时偏置则是把词表直接压进解码器的假设空间，如 WFST 或注意力偏置，让特定词更容易被选中。前者便宜、通用但间接，后者侵入解码、更强但需结构化实现。两者搭配的意义在于：当提示词只能微弱提升短语召回且易被稀释时，解码时偏置才能把稀疏的领域词增益稳定地转化为可感知的准确率变化，本文的阴性结果正是为这种分工提供了证据。

为什么选口述史、选这 19 面磁带？

研究对象不是重建的原型，而是已上线的 Dialog Scribe。它的操作员 Keith Nore 是 1 位长期志愿转录者，处理的是一个私有的 Skagway 口述史收藏：251 个上传分片约 40 小时，331 次转录，几乎每个项目都附带了访谈人姓名、传记与那份 34 条标准词表。

参考文本是他把机器草稿导出后手校的逐字稿，参考与草稿的 WER 在 15% 到 50% 之间，说明手校改动极大。这带来一个方法学上的“好陷阱”：正因为上下文几乎全覆盖，无法做观测性比较。没有“无上下文”人群，已有的重复转录变的是模型而非上下文。

唯一能回答问题的方式，是把同一批音频用同一套生产代码原样重跑，只切换提示词。样本因此是“按参考可用性形成的发现式样本”：21 面有完整侧级手校稿，结构性排除 2 面后剩下 19 面约 10.6 小时，70 个约 10 分钟的分片，8 位受访者分布为 5、4、2、2、2、2、1、1 面。这种窄域、聚类、小样本的设定，决定了结论只能先是“在这 19 面、单次采样下发生了什么”。

用生产代码原样重跑，怎样保证比的是提示词本身？

流水线被拆成 4 段，数据流始终在侧内配对。第一段是上下文渲染，直接复用生产函数 DomainTemplateService.render_prompt，把项目行的姓名、传记、词表与历史领域模板拼成提示词字符串。第二段是提供商分发，两条已部署链路保持包装与切分逻辑在臂间恒定。

OpenAI 链路把提示词作为音频转录端点的 prompt 参数在每个子块重复下发，超过 25 MB 的文件按约 20 MB 目标切成 1 至 7 块，块间给 1 秒音频前导、单空格拼接、不做重叠去重。Gemini 链路把提示词作为 Context 块追加到固定指令包装内，对整文件单次调用。第三段是归一化与评分，参考与假设做同一清洗后在侧级文本上用 jiwer 算 WER 与 CER。第 4 段是统计推断，侧内配对、Wilcoxon 符号秩检验与侧级自举。

三臂的设计刻意让“提示词”是唯一变量。none 臂为 prompt=None；structure 臂为 417 字符的通用结构提示词，不含姓名、传记与词表；full 臂为 912 至 1245 字符的完整生产提示词。70 分片中 6 面存在跨分片上下文微差，审计时以首分片词表为侧级代表并做并集与交集敏感性分析。

420 条分片级记录对应 1290 次物理调用，主批量在 2026-07-11 UTC 约 3.5 小时内完成。每分片内臂顺序固定为 none→structure→full，约 90 秒内相邻执行，以把提供商侧漂移压缩到分钟级。

结构提示词 × 完整提示词： 结构提示词是 417 字符的通用领域与格式指令，不含任何人名、传记与词表，用来控制“有提示词框架”本身的影响；完整提示词则在结构之上追加姓名、传记与约 34 条词表，长度 912 至 1245 字符，是生产环境真实下发的版本。二者对比的设计意图是分离“任务结构”与“领域知识”：若完整相对结构仍无增益，就说明问题不在提示词格式，而在自由文本通道本身对这类退化音频的词汇增益过于稀疏。

提示词真的送达并被消费了吗？

阴性结果最容易被质疑的是“操纵根本没触达”。论文为此做了事后审计，而非事后解释。构造上三臂直接映射到生产代码路径，byte 级一致；分发上在两家提供商的请求路径中验证了参数确实被设置，且 OpenAI 的同一提示词在每个子块重复下发。

日志上对 420 条记录重渲染期望提示词并比对字符长度，零失配，且确认 full 臂无一缺词表。消费证据来自输出本身。仅在 full 臂出现的说话人标签在某次访谈的两面上，gpt-4o 为 17 与 11 次、Gemini 为 594 与 348 次。

罕见词 hostler 在 2 模型上均为 0→1 至 2 次，Gemini 对 Whitehorse 的识别从 16 次翻倍到 32 次。Gemini 的极端标签数本身提示过分割或重复，但恰好证明提示词被模型读取并改变了生成行为。审计还澄清：H3 的 full vs structure 对比包含历史模板与通用模板的差异，并非纯粹的“知识增量”。

Gemini 的 none 臂仍保留提供商固定包装，跨提供商的“无提示词”并不等价，但这不影响模型内的配对结论。归一化刻意剔除说话人标签，使标签生成被 WER 排除，这正是后续构念讨论的起点。

评分与统计：为什么不用简单的均值 t 检验？

归一化规则被冻结为小写化、引号规范化、去行首说话人标签与方括号舞台指示、除词内撇号外去标点、空白折叠。随后用 jiwer 4.0.0 在侧级拼接文本上计算 WER 与 CER。冻结指标还包括两个面向偏置的构造：基于对齐的实体召回，以及超额词表词数 ent_over。

实体召回定义为参考中专有名词词符中对齐相等的比例，ent_over 定义为假设中每词表项超出参考计数的正超额之和。前者捕捉是否救活了关键实体，后者捕捉是否因词表而误插入。统计层选择非参数与重采样，是因为 WER 差值重尾且 Gemini 存在病态离群。

预注册假设为 H1 主假设 full vs none 的 WER 下降、H2 实体召回提升、H3 full vs structure 的 WER 下降、H4 过偏置的 ent_over 上升。检验为双侧 Wilcoxon 符号秩检验 α=0.05 并做 Holm 校正，效应量为 10000 次侧级自举的百分位区间。辅以簇自举、访谈人等权中位与 Hodges-Lehmann 估计等敏感性分析，目的是把“阴性”做成可审计的证据链。

没有训练阶段，这 19 面是如何被“学习”的？

这是一项纯推理时消融，没有训练任何新模型，也未公开损失函数、优化器或训练硬件。所有计算都是确定性或商用端点的随机推理：同一音频在同一配置下重复调用，会得到不同的假设文本。方法的可复现性因此不依赖梯度与超参数，而依赖对生产链路的精确复刻。

推理细节是复现的关键。OpenAI 端按约 20 MB 目标切块、块间 1 秒前导、单空格拼接、不去重，块边界在臂间保持一致；Gemini 端整文件单次调用。臂执行顺序在主批量中固定，7 天后 4 面重跑阶段改为按种子 20260718 在每分片每重复内计数平衡随机化。

归一化与 jiwer 版本、实体召回与 ent_over 的定义、Wilcoxon 与自举的种子 20260715 与 20260718，均在预注册与发布材料中锁定。商用端点的版本标识未被记录，硬件未说明，这是复现链上最薄弱的一环，也解释了为何重跑会引入时间与随机混杂。

发布材料因此把重点放在“可审计的单次观测”而非“可重复的期望性能”。伪匿名化结果、数据字典、冻结脚本哈希与完整控制台输出都被存档，但原始音频与参考文本因隐私未公开。

数据、协议与指标：用同一把尺子量三次

要读懂结果，先看样本与协议的全貌。下表要回答的比较问题是：在高度聚类、参考带约定的真实收藏上，如何构造一个只让提示词变化、其他全部配对抵消的实验条件？统一条件是同一侧、同一参考、同一提供商包装内对比，基线是 none 与 structure 两档，指标方向为 WER 越低越好、实体召回越高越好。

根据论文正文与图中报告值整理的数据与协议

这张表把“251 个项目到底是什么”“19 面如何得到”“420 与 1290 如何对应”1 次性说清。它的作用是提醒：绝对 WER 水平包含书写约定与录音难度，只有配对差才是可解释的推断量。

词错误率 × 实体召回： 词错误率（WER）是把整段假设文本与参考文本做编辑对齐后，统计替换、删除、插入占参考词数的比例，衡量聚合的词汇准确；实体召回则只看参考中被标记为专有名词的那些词位是否被对齐为相等，衡量对关键实体的覆盖。两者搭配才能避免“平均数陷阱”：WER 会被占语料 95% 以上的普通词主导，而实体召回能暴露提示词是否真的救活了那几百个稀有地名人名，本文用二者的分离来解释为何提示词动了输出却不动 WER。

侧级配对 × 自举区间： 侧级配对指同一盘磁带的一面用同一音频、同一参考文本，在不同提示词臂下各转录 1 次，再算配对差值，从而抵消录音难度与参考书写习惯的干扰；自举区间则是把 19 个侧有放回地重采样 10,000 次，计算中位配对差的分布来估计不确定性。二者组合是为了在小样本、聚类的真实语料上给出可信的阴性边界：配对保证比较公平，自举把“样本恰好如此”的偶然性量化出来，避免把单次观测误读为总体结论。

主结果：提示词没有可检测的侧级 WER 变化

主假设的比较问题是：在同一侧、同一配置、同一参考下，完整提示词相对无提示词是否降低侧级 WER？统一条件是侧内配对、参考固定、提供商包装恒定，基线为 none 臂，指标方向为 WER 越低越好。下表按论文正文与图注报告值整理，保留 gpt-4o 的主结论与 Gemini 的不稳定性对照。

根据论文正文与图中报告值整理的主假设结果

在展开数字前，先看图 1 为什么值得停留。上半部分把 19 个侧的配对 WER 用对数纵轴与灰色病态带并列，蓝色实线为随上下文变好、橙色虚线为变差，纵轴倒置使向上即改善；下半部分把配对差按大小排序，直接呈现中位与离散。这张图把“区间窄”与“重尾不稳定”从抽象数字变成了可感的连线与棒高。

看图路径： 1. 先看上半两面板的对数纵轴与灰色病态带，比较 gpt-4o 与 Gemini 的病态点分布与连线斜率；2. 再看下半两面板按配对差排序的棒图，比较中位差、离散度与极端尾部；3. 注意蓝色实线与橙色虚线编码的“随上下文变好/变差”在两侧模型中的对称性差异

论文图 1。原论文 Figure 1:：“Both vertical axes are inverted, so improvement points upward, and color, marker, and line style encode it as well.”。

图中可见，gpt-4o 左侧连线在 15% 到 60% 区间密集且斜率平缓，12 条橙色虚线与 7 条蓝色实线交织，中位差 +0.6 点几乎贴零，中位绝对差仅 1.4 点，四分位距[-1.3,+1.5]，但个别侧仍有 -21.1 到 +11.0 点的离散。右侧 Gemini 连线则被灰色病态带主导：5 个无提示词病态侧中有 3 个在 full 臂回落、1 个仍病态、1 个恶化，另有 1 个健康侧新进入病态，中位绝对差达 7.0 点，范围 -269.9 到 +72.7。

回到表格，gpt-4o 的窄区间是在“侧级自举、单次采样”下的描述，论文明确标注其解释为事后敏感性边界，因为未预注册等价界值且侧聚类在 8 位受访者。剔除 2 个先导侧后 gpt-4o 仍为 +0.6 点，Gemini 为 -0.6 点，结论不变。最公平的净收益是：提示词在 gpt-4o 上未产生可检测的聚合增益，在 Gemini 上则因病态与重尾无法做出可比的阴性推断。

不能由这张表推出的是“提示词无用”。它只说明聚合 WER 未动，未说明词表短语与说话人标签等稀疏构念是否变化，这正是下一节的拆解任务。

词袋覆盖度 × 序列对齐错误率： 词袋覆盖度只数词表短语在假设中出现了几次（上限为参考中出现次数），不关心位置对错，衡量“是否产出了这些词”；序列对齐错误率则要求在全局编辑对齐后，参考中每个词位是否被正确对齐，衡量“是否在正确位置产对了”。前者容易虚高——把词塞进循环段也能涨覆盖度，后者更严格。两者并列才能区分“多产了词表词”和“在该出现的地方产对了”，本文发现 gpt-4o 的覆盖度提升伴随对齐改善，而 Gemini 的覆盖度提升却伴随未列词恶化，正是靠这对指标拆开的。

为什么词表词多了，WER 却不动？

第二个比较问题是：提示词是否在词表子集上产生了被聚合 WER 稀释的局部增益？统一条件仍是同一 19 面、同一参考，基线为 none 臂，指标方向为已列错误率越低越好、词袋覆盖度越高越好，但需区分“产出”与“对齐”。下表按论文正文报告值整理，聚焦 gpt-4o 与 Gemini 的背离。

根据论文正文报告值整理的词表级构念对比

词袋覆盖度显示 2 模型确实更多产出了词表短语，但序列对齐揭示分化：gpt-4o 的已列改善在所有敏感性变体中保持 -1.5 至 -6.2 个点，且在 13/19 侧下降、留一访谈人删除下仍为 -4.5 至 -7.7 个点，排除最频三词后仍为 -6.6 个点。Gemini 在短语跨度上也改善约 7 个点，但裸词成分恶化、未列错误率飙升，说明覆盖度提升伴随其他位置的恶化。

第三个比较问题是：若提示词不动 WER，什么动？下表回答配置选型与病态筛查的杠杆大小，统一条件为无提示词臂的同音频配对，指标方向为 WER 越低越好、病态率越低越好。

根据论文正文报告值整理的配置与病态对比

最公平的净收益是：gpt-4o 的词表短语确有小幅序列对齐改善，但因仅占语料约 1.2% 而折算不足 0.1 点；Gemini 的覆盖度提升更大却与不稳定纠缠。失败项是 Gemini 的未列词恶化与循环输出，提示“多产词表词”不等于“转录更准”。

不能由这 2 张表推出的是“上下文无价值”。它们恰好说明评测必须把序列对齐的词表级错误与说话人归属作为一等结果，否则稀疏增益永远被聚合指标稀释。

病态输出 × 运行间变异： 病态输出指 WER 超过 100%、伴随重复循环或大幅插入的失控转录，长度比可达 1.4 到 4.2 倍；运行间变异指同一音频、同一提示词、同一配置在不同时间重复调用商用端点，WER 的随机波动。二者关联在于：病态不是固定的“坏磁带”属性，而是按臂、按次随机出现的速率。把病态率理解为随机率而非固定标签，才能解释为何单次采样的“5/19 病态”会误导，以及为何提示词效应会淹没在重复运行的噪声里。

这组阴性证据的边界在哪里？

论文把威胁按 Shadish-Cook-Campbell 分类展开，核心是“阴性结果的举证责任倒置”。内部有效性上，配对设计与审计已较好排除操纵失败与选择偏倚，但臂顺序固定未随机、商用端点无版本标识且 7 天后重跑显示时间与随机混杂，仍留下分钟级漂移的残余风险。

统计结论有效性是主战场。19 面聚类在 8 位受访者，有效样本量低于名义值，侧级自举区间在簇自举后对 gpt-4o 仍窄（[-0.1,+1.0]），对 Gemini 则彻底无信息（[-25.5,+14.6]）。更关键的是每单元单次采样，4 面 5 次重跑显示 gpt-4o 运行间标准差在稳定侧仅 0.04 至 0.1 点、在不稳定侧达 0.5 至 5 点且偶发大跳变，Gemini 在不稳定侧达 80 至 167 点。

构念有效性是本文最深刻的提醒。归一化刻意剔除说话人标签，使 full 臂最显眼的标签生成被 WER 排除；实体召回覆盖数百专有名词，稀释了仅约 34 条词表的信号；词袋覆盖度与序列对齐的背离则揭示“产出更多词表词”不等于“在正确位置产对”。参考文本由带上下文的机器草稿校正而来，且与词表同源，拼写与覆盖度存在锚定风险。

外部有效性上，单操作员、单收藏、单访谈人贯穿、英语、退化磁带、约 10 分钟分段、两套未版本化商用端点，均不支持外推。且未预注册等价界值，窄区间不能直接读作等价性证明。重跑还给出需谨慎对待的“可能稳定化”信号：在两面不稳定侧上，full 上下文使 Gemini 病态率从 5/5 降至 2/5，但中位从 41.3 升至 55.1，且基于事后挑选的 4 面，需前瞻性复核。

若要复现或复用，需要什么、缺什么？

可复现的部分已被刻意做厚。预注册在 OSF 10.17605/OSF.IO/NS49B 冻结假设、指标与分析代码哈希；发布存档 context-effect-osf-release-2026-07-18.zip（SHA-256 366d7acfff7edeeefdd9a7f7991a376af911eb5723003cc7188693e50c9b6821）含 17 个文件、3 个冻结脚本、伪匿名化侧级结果 114 行与重跑结果 120 行、数据字典、种子 20260715 与 20260718 的分析与重跑脚本及完整控制台输出。

归一化、jiwer 4.0.0、切块与前导、统计计划均有明确记录，文档快照存档另行发布。但不可复现或受限的部分同样明确：原始音频、数据库快照、参考文本与原始输出因隐私未公开；商用端点未记录版本标识，硬件未说明；主批量与重跑间隔 7 天，时间与随机混杂。

论文因此把结论严格限定为“有限语料、单次采样的侧级 WER 未检测到变化”，并建议后续做 TOST 等价检验、引入独立参考的第二收藏 bake-off，以及实现解码时偏置的对照。对想直接复用的团队，工程建议更具体：保留生产渲染路径与切分边界在臂间一致、记录提示词哈希而非仅长度、固定或随机化臂顺序并记录提供商返回的版本与延迟。

更重要的是对每次输出做病态筛查（重复段检测、长度比阈值），并把评测重心从聚合 WER 转向词表级序列对齐与说话人归属等构念。这正是把阴性结果转化为可操作优先级的方式。

给刚入行的你：如何把这篇论文放进自己的研究地图？

把这篇论文当作“如何让阴性结果可信”的范本。它的价值不在“提示词无用”的口号，而在把一个本可被归为“没调好”的结果，做成带预注册、哈希冻结、端到端审计与序列对齐拆解的证据链，并用重跑把“单次采样的窄区间”与“重复运行的宽噪声”区分开。

对实践者，结论是操作杠杆的重排序：在这类退化、长时、实体密集的口述史音频上，换一条已部署的提供商链路可动十几个 WER 点，而把提示词从无到满只动零点几且淹没在运行噪声里。更值得投入的是配置选型与每次输出的病态筛查，因为病态是按次随机出现而非固定坏输入。

对研究者，结论是评测构念的升级：若机制的意图是让 White Pass、Skagway 等短语在正确位置出现，就应以序列对齐的已列短语错误率、插入与说话人归属为一等结果，而非仅看聚合 WER。最后，记住它的边界：19 面、8 位受访者、单收藏、单次采样、未版本化端点，决定了这是 1 次高可信度的窄域描述。

下 1 篇值得做的，不是更大规模的提示词工程，而是预注册等价检验与解码时偏置的直接对照。让上下文从“提示词里的文字”真正走进解码器的假设空间，才可能把稀疏的领域词增益稳定地转化为可感知的准确率变化。

⚖️ 评分依据与证据（展开查看）

← 返回 2026-09-01 语音/音乐/音频论文速递