口述访谈文字处理工具

Oral Interview Transcription Toolkit — 一套面向口述史 / 播客「去口语化—书面化」的方法论驱动型 AI 流水线

---

摘要

口述史研究中，访谈逐字稿的整理是最耗时、且最易引入失真的环节。同一套去口语化问题也出现在播客与通用访谈的逐字稿上。本工具面向已完成语音转写的逐字稿（非录音转写本身），提供一条以方法论为约束、以"存真"为最高原则的处理流水线：将口语转写稿整理为忠实、可读的整理稿（Pass 1 去口语化），并支持在确认稿基础上进一步形成发表级书面稿（Pass 2 书面化）。口述史默认须受访人审阅签字；播客 / 通用访谈改为发布前由主持 / 嘉宾核对。交付时附逐段字级审阅包（Markdown 对照、浏览器审阅、Word 修订）。

与"将整段文本一次性交付大模型润色"的朴素做法不同，本工具以多角色串行流水线 + 机读执行契约 + 范例驱动 + 双重质量门 + 对抗式忠实度审计为机制，重点解决长文本处理中的两类系统性风险：漂移（长文中人名、机构、术语前后不一致）与越界（添加受访人未陈述的信息、将不确定改写为确定、为通顺而消解矛盾、以书面化之名抹除方言与个性）。

Abstract. A methodology-grounded pipeline for processing oral-history interview transcripts. It de-oralizes verbatim transcripts into faithful, reviewable editorial drafts (Pass 1) and optionally produces publication-ready prose (Pass 2), while guarding against the two systematic failure modes of LLM-assisted editing on long texts: drift (cross-passage inconsistency of names/terms) and overreach (fabrication, false certainty, reconciling contradictions, erasing dialect/voice). Fidelity to the recording is the governing principle.

---

一、定位与范围

依据"生／熟"加工光谱与"双本制"（陈墨）对处理阶段的界定：

原始录音（最"生"）→ 逐字转写稿 → Pass 1 整理稿 → Pass 2 书面稿 → 出版访谈录（最"熟"）
                                  └──────── 本工具处理范围 ────────┘

	档案本（原始抄本）	传播本（编辑抄本）
定位	录音的另存，服务研究与存档	公开面世形式
对应	逐字转写 → Pass 1（去口语化）	Pass 1 → Pass 2（书面化）

本工具不进行语音识别（ASR），输入应为已转写的逐字稿。Pass 2 须在受访人审阅签字后另行进行（见 workflows/pass2-bookify.md）。

---

二、方法论基础

2.1 核心原则：存真优先

录音是史料，整理稿是对录音的"最小干预转写"。整理者的介入应尽可能轻，且全程可回溯至原始录音／逐字稿（可逆性原则）。处理操作的冲突优先级为：保护 ＞ 转换 ＞ 语境 ＞ 清除。

2.2 文献谱系（P0／P1／P2 分级）

规则系统提炼自下列口述史方法论文献，规则冲突时按级别取舍，同级取更保守方案。文献谱系由本项目方法论合作者 Kelvin（中国科学技术大学 科技史，@InsightHist） 梳理；完整对照见 references/methodology.md。

级别	文献	主要约束
P0	张藜《如何进行口述史访谈》	五步整理流程；记录稿与整理稿之别；受访人审阅签字
P0	《中华口述历史工作实务规范（试用版）》(2023)	六阶段流程；逐句对应；改动可追溯；三方签字
P1	Ritchie《大家来做口述历史》	抄本与录音互补；"错误话头"处理；方言不以变形拼写标记
P1	陈墨《口述历史门径》(2013)	双本制；唐德刚式改写之戒；三项核心保留
P1	《牛津口述史手册》	"生／熟"光谱；停顿与犹豫的方法论价值
P2	熊卫民《对于历史，科学家有话说》(2017)	去口语化而不失口语感；脚注五功能体系
—	Portelli《Luigi Trastulli 之死》	口误、矛盾、不确定本身即史料，不可"修正"抹平

2.3 处理体系（A／B／C／D 四类）

• A 保护（绝不动）：叙事逻辑与因果判断、功能性情感表达、方言与行话、前后矛盾（保留并标注，不充当裁判）、个性化措辞、科技体制术语、不确定表述。
• B 清除（口语噪音，静默删除）：无语义填充词、无修辞重复、采访人倾听性反馈、流程寒暄。
• C 转换（保守，照范例尺度）：口误自纠取最终值并标注、口语连接词、口语语法规范、仅补语法成分（不补信息）、时间线不自动重排。
• D 语境（由开关决定）：采访人话语去留、方言处理方式、补全力度。

2.4 范例驱动

冗长的规则清单会令模型在长文本中漂移；本工具以少量高质量的"原始—整理"对照范例（references/examples.md）确定处理尺度，规则提供"为何如此"，范例提供"改至何种程度"。整理质量的天花板取决于范例质量，而非规则数量。

---

三、系统设计

图 1　处理流水线（黄：AI 角色；红：强制质量门；其余为确定性脚本环节）

flowchart TD
    A([逐字转写稿]) --> B[transcript_ingest清洗 · 说话人分离 · 时间戳归一]
    B --> C[glossary_extractor专名候选预扫 + 变体聚类]
    C --> D{{方针师 Surveyor通读全篇 · 定整理方针 · 建术语表}}
    D -->|用户确认| E[chunker分块 + 重叠 + 进度锚]
    E --> F{{整理者 Editor逐块去口语化 · 每块重读 term_lock}}
    F --> G[consistency_checker + fidelity_checker术语一致 / 忠实度 双门]
    G -->|error 返工| F
    G --> H[diff_reporter + filler_scan + package_review + report整理稿 · 逐段审阅包 · 待核对清单 · 质检总览]
    H --> I{{质量门 Quality Guard对照原文逐段审忠实度}}
    I -->|NEEDS FIX 返工| F
    I --> J([交付 · 口述史签字 / 播客核对])