边说边出字，还是松手后出字：哪个更准？
语音输入有两种出字方式：说一句上屏一句，或者说完松手再一次出字。我们用 200 段真实的中英混说录音把两种都测了一遍，结果和直觉不完全一样。
结论：松手后出字更准，但前提是要做对。同一个模型、同一批录音，边说边逐句出字的错误率是 10.4%；松手后把整段再识别一遍、和逐句结果核对，错误率降到 9.8%，错字少了约 5.5%。只用整段识别反而更差（13.5%）。
代价是等待：说了几句话的听写，松手后多等约 1.3 秒。Vocco 1.0.8 起默认松手后出字，想要边说边看到字的可以在设置里切换。
两种出字方式差在哪
本地语音输入一般这样工作：边录音边找停顿，每停顿一下（Vocco 是 0.7 秒），就把前面这一句交给模型识别。边说边出字就是每认完一句马上上屏。
松手后出字可以多做一步：等你说完，把整段话再给模型听一遍。整段里有前后文，模型更容易认对专有名词和中英夹杂的词。比如一段话里前面提到「中国式家长这个游戏」，逐句识别把后半句的 homework 听成了「红木卡」，整段识别就认对了。
值得一提：Vocco 1.0.7 及以前，听写其实一直是边录边逐句识别，只是松手后才把各句一起粘贴。所以「边说边出字」和旧版本一样准，只是字出来得更早。
我们怎么测
- 录音：ASCEND 数据集（香港大学生之间中英夹杂的真实对话）。把同一个人前后相邻的句子拼成 8–60 秒的「听写」，句间留 0.25–1.4 秒的停顿，一半短于断句阈值、一半长于。共 200 段、81 分钟，其中 181 段是中英混说。
- 两批数据：先用 100 段找方法、定规则，再用另外 100 段之前没看过的录音验证。
- 引擎：和 Vocco 实际用的一样：sherpa-onnx 上的 Qwen3-ASR 0.6B（int8），同一套断句代码，只换「怎么切」。
- 打分：中文按字、英文按词算错误率（MER），和我们的 300 句评测用同一个打分器。
结果
| 出字方式 | 错误率 | 中文（按字） | 英文（按词） | 松手后等待 |
|---|---|---|---|---|
| 边说边出字（逐句识别） | 10.40% | 7.14% | 22.25% | 0.4 秒 |
| 松手后出字（逐句 + 整段核对） | 9.83% | 6.72% | 21.13% | 1.7 秒 |
| 只整段识别* | 13.52% | — | — | 约 1.1 秒 |
*只测了第一批 100 段；同一批逐句识别是 11.39%。
差值是 −0.57 个百分点，95% 置信区间 [−1.07, −0.08]，不跨 0；两批数据各自也都是 −0.57。200 段里 75 段变好、49 段变差，其余一样。提升最大的是最常见的听写长度：8–15 秒的从 12.9% 降到 11.3%；30–60 秒的两者打平（9.0%），因为这么长的本来也要切成每段不超过 28 秒。
等待时间是按真实说话速度放 12 段录音、在 M5 Pro 上量的，从松手到字准备好。
为什么只整段识别反而更差
整段识别看得到上下文，很多词认得更对；但一次听一长串中英混说时，模型偶尔会整段「翻车」：
- 解到一半就停：一段 15 秒、几乎全对的逐句结果，整段识别只输出了「提问题」三个字。
- 整段翻译：「所以如果是你需要在短时间内瘦身的话……」被整段输出成了英文。
逐句识别时每一句基本只有一种语言，不容易出这种大错。所以 Vocco 两个都要：逐句结果当保险，整段结果靠谱就用整段的。整段结果的字数明显少于逐句（不到 80%），或者中文所占比例变了 20 个百分点以上，就认为它翻车了，改用逐句的。只说了一句就松手的，不会再多识别一遍。
这个规则拦得住大的翻车，拦不住「半句被翻译」这种小错，所以仍有 49 段比逐句差。但总的错字明显更少。
在 Vocco 里怎么选
设置 → 快捷听写 → 出字方式（1.0.8 起）：
- 松手后出字（默认）：按住右 ⌘ 说话，松手后整段粘贴到光标处。更准，说了几句话的会多等一会儿。
- 边说边出字：每停顿一下，那一句就粘到光标处；还没说完的那句显示在屏幕下方圆点上方，会边说边改。适合想一边说一边看到字的人。说完后剪贴板里是整段文字。
松手后的整段核对只对 Qwen3、Paraformer、SenseVoice 这几个本地模型生效；用系统内置识别或 Whisper 时，松手后出字和以前一样是逐句识别。
局限
- ASCEND 是聊天，不是对着电脑口述；停顿是我们插进去的。真实口述的语速和停顿可能不同。
- 只测了 Vocco 默认的 Qwen3 ASR。别的模型结论可能不一样。
- 等待时间只在 M5 Pro 上测过；M1 这类较老的 Mac 识别更慢，松手后的等待会更长。
常见问题
边说边出字为什么不如松手后准？
边说边出字要在你每次停顿时就把那一句定下来，模型只听得到这一句，听不到后面的话。松手后出字可以把整段一起再听一遍，前后文能帮它把词认对。
那为什么不干脆只用整段识别？
实测更差。Qwen3 一次听一长串中英混说时，偶尔会把整段翻译成一种语言，或者解到一半就停住，一次就丢掉大半句。所以 Vocco 保留逐句的结果当保险，整段结果明显不对就用逐句的。
松手后要多等多久？
在 M5 Pro 上，说了几句话的听写松手后约 1.7 秒出字，边说边出字约 0.4 秒。只说一句就松手的，两种一样快。较老的 Mac 会更慢，我们没有实测。
在 Vocco 里怎么切换？
设置 → 快捷听写 → 出字方式。默认是松手后出字；选边说边出字后，每停顿一下那一句就粘到光标处，没说完的那句显示在屏幕下方圆点上方。需要 1.0.8 或更新版本。