medRxiv 2026年9月14日该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。超越词错误率：以临床风险作为环境AI记录评估的必要标准——来自77种语言的证据该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。