医院场景实测：Fun-ASR医疗术语识别准确率大提升-智慧文博士

医院场景实测：Fun-ASR医疗术语识别准确率大提升

在三甲医院门诊楼的语音转写工作站旁，我亲眼看到一位医生对着录音笔说：“患者主诉右上腹隐痛三天，伴恶心、低热，既往有胆囊结石病史。”五秒后，屏幕上跳出的文字是——“患者主诉右上腹隐痛三天，伴恶心、低热，既往有胆囊结石病史。”没有错字，没有谐音误判，“胆囊结石”四个字稳稳当当，连标点都自动补全。这不是云端API返回的结果，而是部署在科室本地服务器上的Fun-ASR系统实时完成的识别。

这背后没有神秘算法，只有一套真正为临床场景打磨过的语音识别方案：它不依赖网络、不上传隐私音频、不把“阿司匹林肠溶片”听成“阿姨不灵长融片”，更关键的是——它让医生不用再花半小时手动校对转录稿。

本文不是模型参数对比报告，而是一份来自真实诊室、药房、住院部的实测手记。我们用276段临床语音样本（含方言口音、语速快慢、背景嘈杂等真实干扰），系统性测试了Fun-ASR在医疗术语识别上的表现，并重点验证了热词增强、ITN规整、VAD切分等核心功能的实际价值。

1. 实测环境与样本设计：还原真实医院声音现场

1.1 部署方式与硬件配置

本次测试全程采用纯本地化部署，未连接任何外部网络或云服务：

服务器：Dell R740，双路Xeon Silver 4310，NVIDIA A10（24GB显存）
操作系统：Ubuntu 22.04 LTS
Fun-ASR版本：Fun-ASR-Nano-2512（v1.0.0，2025-12-20发布）

启动命令：

bash start_app.sh # 自动加载CUDA设备，模型路径指向本地/models/funasr-nano-2512

访问方式：科室内部终端通过http://192.168.10.45:7860直接访问WebUI

所有音频处理、模型推理、结果生成均在本地完成，原始音频文件从未离开该物理服务器。

1.2 语音样本构成：覆盖高频临床真实场景

我们采集并标注了276段真实临床语音，全部脱敏处理（已去除患者姓名、身份证号、具体就诊时间等PII信息），按场景分类如下：

场景类别	样本数量	典型内容特征	干扰因素
门诊问诊录音	98段	医生问诊+患者回答，含方言（粤语/川普混杂）、语速快、夹杂咳嗽声	背景人声、空调噪音、听诊器摩擦声
病历口述记录	62段	医生单人口述入院记录、手术记录、出院小结	专业术语密集、“左心室射血分数”“ERCP术后”等长词频出
药房发药对话	41段	药师与患者确认用药，含药品名、剂量、频次、禁忌	“阿卡波糖片”“沙格列汀”等易混淆药名、“每日一次”vs“每日两次”
护士交接班	37段	多人快速交接，语句短促、省略主语、使用缩写（如“CVP正常”“BNP↑”）	交叠语音、突发呼叫、推车轮声
影像科报告口述	38段	放射科医生描述CT/MRI所见，含解剖部位、病变形态、尺寸单位	“肝S8段类圆形稍低密度影，直径约1.8cm”“L4/5椎间盘向后突出约3.2mm”

所有样本采样率统一为16kHz，格式为WAV，时长15–90秒不等。每段音频均配有由两名主治医师独立校对的黄金标准文本（ground truth），作为准确率计算依据。

1.3 评估指标定义：不止看“字准”，更看“意准”

我们未采用传统ASR通用的WER（词错误率）单一指标，而是从临床可用性出发，定义三级评估维度：

基础层（字面准确）：识别文本与黄金标准逐字比对，计算字符级准确率（CER）
术语层（医学精准）：聚焦127个高频医疗实体（药品名、检查项目、解剖部位、疾病名称、检验指标），统计实体识别F1值
可用层（即用即准）：人工判断该识别结果是否可直接用于电子病历录入（无需修改即可粘贴），统计“零编辑可用率”

为什么这样设计？
一段识别结果可能是“CER=92%”，但若把“胰岛素泵”错识为“胰导素泵”，医生绝不会直接采纳；而另一段“CER=88%”却把所有关键术语全对，仅错两个虚词，反而能立刻使用。临床场景要的不是“差不多”，而是“关键处不能错”。

2. 热词增强实战：让模型“记住”医生最常说的那些词

2.1 热词列表构建：从病历库中自动挖掘高频术语

Fun-ASR的热词功能不是简单地加几个关键词，而是支持结构化注入。我们在测试前，基于该院近半年电子病历文本（脱敏后），用TF-IDF+规则过滤提取出首批热词表（共183个），分为三类：

药品类（62个）：阿卡波糖片、达格列净片、曲妥珠单抗注射液、伏立康唑片……
检查类（51个）：冠状动脉CTA、头颅MRI平扫+增强、胃镜活检、肺功能检查（FEV1/FVC）……
诊断类（70个）：急性非ST段抬高型心肌梗死、2型糖尿病伴周围神经病变、慢性阻塞性肺疾病GOLD 3级……

热词文件格式为纯文本，每行一个术语，无标点、无空格：

阿卡波糖片 达格列净片 冠状动脉CTA 头颅MRI平扫+增强 急性非ST段抬高型心肌梗死

2.2 热词启用前后对比：术语识别F1值跃升37.2%

我们选取全部276段样本，在完全相同硬件与参数下，分别运行两次识别：一次关闭热词，一次启用上述热词表。结果如下：

评估维度	关闭热词	启用热词	提升幅度
整体CER（字符错误率）	8.6%	6.1%	↓2.5个百分点
医疗术语F1值	72.4%	92.1%	↑19.7个百分点
零编辑可用率	41.3%	78.5%	↑37.2个百分点

这个37.2%的跃升，意味着每10段语音中，有近4段从“必须逐字核对”变成了“听一遍就敢直接粘贴进病历系统”。

更值得关注的是错误类型变化：

关闭热词时，药名错误占比达63%（如“沙格列汀”→“杀格列汀”、“利拉鲁肽”→“力拉鲁肽”）
启用热词后，药名错误降至7%，主要残余错误集中在发音极相似的“西格列汀”vs“沙格列汀”——这已属人类听辨极限，非模型能力问题。

2.3 热词使用技巧：三招避开常见坑

在实测中，我们发现不少用户因热词配置不当导致效果打折。以下是经验证的实用建议：

** 推荐：用全称+常用简称组合注入**
例如同时加入：
```
冠状动脉造影 CAG
```
模型能同时识别口语中的“做CAG”和病历里的“冠状动脉造影”。
❌ 避免：堆砌同义词或模糊表述
不要写：
```
心脏彩超 心脏B超 心脏超声
```
Fun-ASR会因权重分散反而降低识别稳定性。保留最规范术语“超声心动图”即可，其他表达靠模型泛化能力覆盖。
** 注意：热词不解决发音问题，只强化已知读音**
若医生习惯把“他汀类”读成“他丁类”，热词填“他汀类”无效。此时应同步在热词中加入“他丁类”作为变体，或引导医生规范发音。

3. ITN规整与VAD切分：让识别结果“拿来就能用”

3.1 ITN（逆文本规整）：把口语自动变成病历体

临床语音充满口语化表达：“二零二五年三月十二号”“一百二十毫克”“百分之七十五”。若不做处理，这些会原样输出，医生还得手动改成“2025年3月12日”“120mg”“75%”。

Fun-ASR内置ITN模块，默认开启，实测效果如下：

口语输入	ITN规整后	是否符合病历规范
“患者今年六十八岁”	“患者今年68岁”	数字标准化
“血压一百四十比九十”	“血压140/90mmHg”	单位补全+符号规范
“做了个胃镜，发现一个息肉，大概零点八厘米”	“做了胃镜，发现1枚息肉，大小约0.8cm”	量词转换+单位缩写+小数点格式
“血糖是七点二”	“血糖是7.2mmol/L”	单位智能补全（基于上下文）

我们统计了ITN对“零编辑可用率”的贡献：在启用热词基础上，开启ITN使该指标再提升11.3个百分点（78.5% → 89.8%）。尤其在病历口述类样本中，ITN让“可直接粘贴率”从63%飙升至94%。

小技巧：ITN对数字、日期、单位效果稳定，但对复杂医学缩写（如“BNP”“CK-MB”）不自动展开。如需强制展开，可在热词中添加映射：
BNP→B型钠尿肽 CK-MB→肌酸激酶同工酶MB

3.2 VAD（语音活动检测）：在嘈杂环境中“听清一句话”

医院环境从不安静。门诊室有叫号声、走廊有推床声、药房有扫码枪“嘀”声。传统ASR常把静音段也送入识别，导致输出大量“呃”“啊”“嗯”及乱码。

Fun-ASR集成WebRTC-VAD，实测在信噪比低至10dB（模拟隔壁诊室传来的说话声）环境下，仍能精准切分语音段。我们对比了VAD开启/关闭下的识别表现：

指标	关闭VAD	开启VAD	改善说明
单次识别耗时	8.2s（含3.1s静音）	5.4s	减少无效计算，提速34%
识别文本纯净度	含2.3个填充词/句	含0.4个填充词/句	“嗯”“那个”等干扰词减少83%
语句完整性	41%出现断句（如“患者主诉/右上腹隐痛”）	92%完整输出整句	VAD有效避免因短暂停顿导致的误切分

VAD设置中，“最大单段时长”参数尤为关键。我们将默认30秒调整为15秒，显著改善了医生快速问答场景下的断句质量——毕竟没人会一口气说30秒不换气。

4. 批量处理与历史管理：让百条录音一小时搞定

4.1 批量识别：门诊日结不再熬夜

医院信息科每天需将当日门诊录音批量转为结构化文本，供质控抽查与医保复核。过去用传统工具，100段录音需人工操作+等待，耗时4小时以上。

Fun-ASR的批量处理模块彻底改变了这一流程：

上传：支持拖拽100个WAV文件（总大小≤2GB），自动排队
处理：GPU模式下单文件平均耗时6.8秒（含VAD+ASR+ITN全流程）
导出：一键生成CSV，字段包含：文件名、开始时间、结束时间、原始文本、规整文本、语言、热词命中数

我们实测处理100段门诊录音（总时长约3小时42分钟），全程耗时52分钟，CPU/GPU占用平稳，无崩溃、无丢帧。

导出的CSV可直接导入医院质控系统，字段对齐EMR标准模板。更关键的是，所有处理均在本地完成，录音文件从未离开内网。

4.2 历史数据库：不只是记录，更是知识沉淀

Fun-ASR将每次识别结果存入SQLite数据库（webui/data/history.db），结构简洁但覆盖临床所需全部元数据：

CREATE TABLE recognition_history ( id INTEGER PRIMARY KEY, timestamp DATETIME, filename TEXT, filepath TEXT, language TEXT, raw_text TEXT, normalized_text TEXT, hotwords TEXT, -- 当前使用的热词（逗号分隔） vad_segments TEXT -- VAD检测到的语音段起止时间（JSON数组） );

这个设计带来两个意外价值：

可追溯性：质控人员输入某段录音ID，可立即查看当时使用的热词列表、ITN开关状态、VAD参数，复现识别过程；
热词优化闭环：导出历史表，用SQL统计哪些热词从未被命中（SELECT hotwords FROM history WHERE normalized_text NOT LIKE '%阿卡波糖%'），动态剔除无效热词，让列表越用越精。

我们建议医院信息科每月执行一次数据库清理脚本，自动归档30天前记录至压缩包，既保障空间，又留存审计线索。

5. 实战问题与解决方案：来自诊室的第一手反馈

在两周试运行中，一线医生和信息科同事反馈了若干高频问题，Fun-ASR WebUI的设计恰好提供了对应解法：

5.1 问题：医生方言重，“支气管炎”说成“资气管严”，热词不管用

解法：启用“多发音热词”功能
在热词文件中，为同一术语添加常见方言变体：

支气管炎 资气管严 几气管炎

Fun-ASR会将三者视为同一实体的发音变体，识别时统一映射为标准术语。

5.2 问题：护士交接班语速太快，模型跟不上

解法：调整VAD灵敏度 + 降低批处理大小

在系统设置中将VAD模式从“2（适中）”调至“3（高灵敏度）”，确保捕捉短促语音；
批量处理时将“批大小”从默认10改为5，减轻GPU瞬时压力，避免因缓存不足导致丢帧。

5.3 问题：识别结果里“mmHg”“cm”等单位有时大写有时小写，病历格式不统一

解法：自定义ITN后处理规则
Fun-ASR支持在config.yaml中扩展ITN规则：

itn_rules: - pattern: "毫米汞柱" replacement: "mmHg" - pattern: "厘米" replacement: "cm" - pattern: "毫克" replacement: "mg"

重启服务后，所有单位输出严格统一。

5.4 问题：新入职医生不熟悉系统，总点错按钮

解法：启用WebUI快捷键 + 制作科室版操作卡片**

全局快捷键已预设：Ctrl+Enter直接开始识别，Esc取消，F5刷新；
我们为门诊、药房、影像科分别制作了A6尺寸操作卡片，印有三步流程图与截图，贴在每台工作站旁。

6. 总结：不是替代医生，而是让医生回归诊疗本身

这次医院场景实测，让我们看清了一个事实：语音识别技术的价值，从来不在“识别率数字有多高”，而在于它能否让专业人士把时间花在真正需要智慧的地方。

Fun-ASR没有追求99%的通用CER，但它用热词精准锁定了医生最怕认错的那1%——“阿司匹林”和“阿奇霉素”，“脑梗死”和“脑梗塞”。它不承诺“完美流式”，但用VAD+ITN组合，让门诊问诊的语音转写延迟压到500ms内，医生说完话，屏幕已同步显示，体验如呼吸般自然。

更重要的是，它把一套原本需要AI工程师调试数周的ASR系统，压缩成一个bash start_app.sh就能跑起来的本地服务。信息科人员无需懂PyTorch，医生无需学命令行，所有人面对的只是一个干净的网页界面。

这或许就是医疗AI落地最朴素的模样：不炫技，不造概念，不碰隐私红线，只是默默站在医生身后，把重复劳动接过来，把宝贵时间还回去。

当一位老主任在试用后说：“这下我终于能边看病人边记病历了”，我们就知道，技术已经完成了它最本分的使命。

--- > **获取更多AI镜像** > > 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

医院场景实测：Fun-ASR医疗术语识别准确率大提升