Xtype 我有两个名字很容易被搞混：一个是公司名，一个是产品名。它们读音接近，语音识别经常把其中一个听成另一个。
问题不在于识别错——错了我改就是。问题在于：事后我自己也分不清当时说的是哪个。
盯着屏幕上那行字看半天，我说的到底是公司还是产品？想不起来。
我的第一个想法是错的
最直觉的做法：在识别的时候弹出来问。「这两个词我拿不准，你选一个。」
我一开始也是这么想的。后来去查了识别接口到底返回什么，发现这条路从根上就走不通。
接口只给最终文字，不给置信度，也不给备选词。它不会说”这里我拿不准”。所以”我可能听错了这三个词”这句话，系统编不出来——只能拿输出去和词库比对，猜哪个可疑。
在一个猜出来的怀疑上打断用户，代价和收益完全不成比例。
就算真有置信度也不该弹。按住说话、松开出字，这是这个产品的全部价值；弹窗要求你从”思考内容”切换到”思考拼写”，而你正在写东西。更要命的是频率：一个经常出现的确认框，会训练用户闭着眼点掉它——到那时，真正重要的那次提示也会被一起点掉。
还有一层更根本的：说话是流式的，注意力在下一句上，你当下未必分得清自己想的是哪个词。但读那句话的时候，一眼就知道。判断力在阅读时最强、在口述时最弱——把选择放在口述中，等于挑最差的时刻去问。
真正的答案，一直躺在我们没看的地方
查接口的时候我发现了另一件事：返回里除了文字，还有一个 words 数组——每个词的起止时间。
我们从第一天起就在收这份数据，一次都没用过。取完文字就把整份扔了。
有了它，事情就变成另一个样子：
不用回忆。点那个词，直接听你当时说的那半秒。
「Keyus」和「Kuvex」写出来分不清，读出来一听就分得清。用证据代替回忆。
一个不显然的细节
第一版做出来我自己试，发现点中文的词几乎听不见东西。
原因很简单：一个汉字只有 0.06 秒。原样播放就是一声爆音，什么也听不出。
所以播放会自动往前后各扩一点，并保证至少 0.9 秒——你听到的是那个词在句子里的样子，前后带着一点上下文。这才有用。
顺带修掉的一个隐患
同一件事还牵出另一个问题：识别把品牌 A 听成品牌 B，我改回来，Xtype 就会记下一条「以后 B 一律改成 A」的规则。
那意味着我以后每次真说 B，都会被自动改掉。 一个名字从此说不出口。
这套规则本来的前提是：被听错的那个词是识别产生的垃圾串，正常语境里根本不会出现。两边都是合法名字的时候，前提就破了。现在遇到这种情况直接不建规则，并且告诉你为什么、该怎么办——两个词都留在词库里，靠上下文分辨。
宁可不替换，不能替错。
学到的
一开始我要的是一个弹窗。做出来的东西完全不是弹窗。
中间隔着一步：去查清楚系统到底知道什么。 查完发现，我以为要靠”问用户”补上的信息，其实一直躺在返回数据里没人看。
先问”我们手上已经有什么”，再问”要不要打扰用户”。 顺序反了，就会做出一个既打扰人又不准的功能。