昨晚线上一个语音Agent在嘈杂环境下把“播放周杰伦的晴天”识别成了“播放周杰伦的情天”，用户重复了三遍，最后气的直接关了。我盯着日志里那句带“情天”的VAD切片，愣了半天。语音Agent这个东西，文档里写的都是“ASR识别-语义理解-TTS合成”的大闭环，但真正上线你会发现，百分之八十的问题都出在音频采集和断句上，而不是模型本身的智能程度。那台设备是双麦克风阵列，理论上带波束成形，可实际录到的前两帧数据里有尖锐的皮带摩擦声，VAD把那一小段当作语音结束信号，直接给切断了。后半截“的晴天”被丢进下一个切片，ASR看到的是“播放周杰伦的情”和“天”，当然拼不出正确结果。这事的根子不在ASR，在于VAD的EndPoint检测太灵敏，跟环境噪声的频谱撞了。我后来把VAD的aggressiveness从2调到3，又加了能量阈值的滑动平均，问题解决了一半。另一半是方言口音，用户说“晴天”带一点吞音，解码时拼音候选里“晴”和“情”得分差不多，这时候需要靠上一轮对话上下文做纠偏。可以在语义理解阶段用一个context scorer，把“播放音乐”这个意图下的高频歌曲库权重加上。代码写成这样：# 这里踩过坑：不要直接把ASR的top1文本丢给NLU，先跑一个custom rerankscores=nlu_model.score(utt