结论:能不能回溯,比准不准更重要
基层法院推广无书记员庭审已经不是试点,而是规模化落地,但要把语音转写真正变成可回溯、可追责的笔录,成立的前提不是买一套商用识别引擎,而是自建一套转写、区分说话人、抽取争议焦点、与音视频同步定位的本地闭环。对一家中级或基层法院的信息化团队来说,用开源的 faster-whisper 在单张消费级显卡上就能搭出可用基线,周期 2—4 周、硬件投入数万元即可起步,再逐步接入说话人分离与焦点归纳。最容易踩的坑是只做语音转文字而忽略说话人是谁和这句话对应哪段录音,导致笔录无法回溯。据公开报道,科大讯飞在 2026 政法装备展展示的方案在复杂庭审环境下对方言口音识别准确率超过 95%、支持 202 种方言;四川天府新区法院的实践显示,原始笔录 2.5 万字经大模型精简后约 1.9 万字、可用率 90%,庭审时长平均缩短 40%。
为什么法院要自己做转写闭环
据媒体报道,河南信阳浉河区法院 2026 年 10 月成为河南继郑州之后首批、信阳地区首个与科大讯飞合作升级智慧法庭的基层法院,组织三天专项培训后由院长带头实战开庭,书记员不再伏案录入,发言实时转写为电子笔录并与音视频时间节点对应。新疆乌垦法院 2025 年法官人均结案达 629 件,案多人少压力突出,2026 年 1 月完成科技法庭升级、3 月开出兵团系统首场无书记员庭审,截至报道时已采用无书记员模式开庭 38 场、开庭覆盖率 53%、语音转写利用率 82%,广泛用于买卖、租赁、劳务、民间借贷等民商事案件。
这些案例说明,转写已经不是有没有的问题,而是怎么接进审判流程的问题。把转写做成本地闭环,既能满足保密要求,也能保证每一句都有时间戳和说话人标签,为后续回溯和法官校核打底。我们建议把这类能力放在 私有化部署的检索与向量底座 上统一承载,转写文本、电子卷宗、法条库共用一套本地索引,避免数据出内网。
技术路线:四层闭环
一套能用的智慧庭审转写,至少包含四层:第一层是音频采集,需要全链路数字声卡与指向麦,保证 16kHz 以上采样和角色可区分;第二层是语音识别,把多方言、多口音的庭审语音转成带时间戳的文本;第三层是说话人分离,给每段标注法官、原告、被告、第三人;第四层是争议焦点抽取,用大模型把长篇转写压缩成争议焦点并反向定位到原文时间节点。缺任何一层,笔录都只是半成品。
可复现:用 faster-whisper 搭识别基线
faster-whisper 是对 Whisper 推理的 CTranslate2 加速实现,在同等精度下比原版快数倍,适合本地单卡部署。下面这段即可跑出带时间戳的分段结果:
from faster_whisper import WhisperModel
model = WhisperModel('large-v3', device='cuda', compute_type='float16')
segments, info = model.transcribe('court_20261103.wav', language='zh', beam_size=5)
for seg in segments:
print(f'{seg.start:.1f}-{seg.end:.1f} [{seg.speaker}] {seg.text}')
实际部署时,beam_size 取 5 在中文庭审场景下准确率和速度较平衡;如果显存有限,可换 medium 模型或 compute_type 改为 int8。关键是把 language 固定为 zh,避免模型在方言切换时误判语种导致整段错识。
说话人分离与争议焦点
说话人分离可以接 pyannote 或基于聚类的方案,把每个分段打上角色标签。争议焦点抽取则用一个本地大模型做结构化归纳,下面给出不依赖外部 API 的提示词骨架:
prompt = '你是庭审记录助手,请从下面的庭审转写中抽取争议焦点,按编号列出,并为每条标注对应的时间段与说话人。只输出结构化结果,不要编造转写中不存在的内容。'
# 将分段文本按时间窗拼接后送入本地大模型
context = '\n'.join([f'{s.start:.1f}s {s.text}' for s in segments])
answer = local_llm.generate(prompt + '\n' + context)
这一步的质量取决于转写准确度,所以务必把焦点条目做成可点击跳回原文时间节点的交互,让法官一键核对。对于需要把文书与卷宗联动的法院,可以参考 企业知识库产品 的权限与检索能力,把法条、类案、卷宗做统一结构化。
与音视频同步定位
回溯能力来自时间轴对齐:转写分段、原始语音、精简笔录、音视频四者共享同一时间轴。实现上只需把每一段 seg.start 与 seg.end 存进数据库,前端点击焦点条目时跳转到对应秒数即可。这比单纯导出一份文本更有司法价值,因为当事人和法官都能验证每一句话的来源。
部署前检查清单
① 音频采集:部署全链路数字声卡与指向麦,保证 16kHz 以上采样、角色可区分;
② 转写:faster-whisper large-v3 本地推理,禁用外部 API 以符合保密要求;
③ 分离:接说话人分离模块,给每段标注法官、原告、被告、第三人;
④ 归纳:用本地大模型抽取争议焦点并反向定位到原文时间节点;
⑤ 回溯:笔录、原始转写、音视频三者时间轴对齐,支持点击跳转与全程可回溯。
司法系统涉及保密与个人信息,建议全程本地化部署;识别结果须经法官或书记员校核,AI 不替代人工记录与法律责任。
准确率之外的工程要点
庭审转写能不能用,准确率只是门槛,工程细节才是分水岭。第一是方言适配:纯靠通用大模型不够,要靠行业热词词库与领域微调把专业术语和本地口音撑起来,这也是为什么厂商方案强调支持上百种方言。第二是噪声与抢话:法庭有空调底噪、多人同时开口,需要端点检测和降噪前置处理,否则转写会吞字。第三是角色分离:当多名当事人共用一支桌面麦时,系统分不清谁是谁,必须在硬件上配无线话筒给每个人单独角色,否则生成的笔录会把多人记成一人。
与现有科技法庭系统集成
自建方案不能做成孤岛。转写结果要能回写到电子卷宗与庭审笔录系统,而不是单独导出一个文本文件;和既有科技法庭厂商(如科大讯飞方案)对接时,优先走本地接口与内网,避免把音视频导出到公网。一个稳妥的集成顺序是:先让转写在本机跑通并打印到现有笔录界面,等法官认可准确率后,再打开说话人分离与焦点抽取,最后才接音视频同步定位。每一步都可独立验收,降低一次性上线的风险。
参考来源
科大讯飞智慧法庭解决方案亮相 2026 政法装备展 - 中国法院网(2026-06)
法槌遇 AI:浉河法院智慧法庭开启庭审新模式 - 浉河区人民法院(2026-10-16)
法庭里没书记员了?三样神器让庭审又快又稳 - 四川天府新区人民法院(2026-07)
法槌遇 AI:浉河法院智慧法庭开启庭审新模式 - 浉河区人民法院(2026-10-16)
法庭里没书记员了?三样神器让庭审又快又稳 - 四川天府新区人民法院(2026-07)