Findly 的语音定位，卡在信噪比上

语音识别准确率不是问题，问题是怎么在嘈杂环境里准确提取「物品 + 位置」的结构化信息。

技术路线选择

最初我们尝试了端到端的意图识别方案——直接把语音转成结构化的物品-位置映射。但在实际测试中发现，同一个句子在不同场景下解析结果差异很大。

信噪比问题

"我的钥匙在卧室床头柜抽屉里"——这是一个干净的句子。但现实场景是：

• 厨房里抽油烟机开着
• 客厅里电视在放
• 手里正拿着东西，说话断断续续

在这些场景下，语音识别本身的准确率就下降到了 70% 以下，再从中提取结构化信息就更不可靠了。

我们的方案

最终我们选择了两阶段方案：

1. 先做通用语音识别，用正常的 ASR 引擎做第一道转录
2. 再用 LLM 做结构化提取，把"我的钥匙在卧室抽屉"转成 { item: "钥匙", location: "卧室抽屉" }

这个方案的准确率从 60% 提升到了 92%。

教训

不要跳过基础的工程问题，信噪比这种老问题，不是靠 AI 魔法就能绕过去的。