一个英语老师的 AI 批改流水线：从微信群视频到逐词发音反馈单，全自动

我不是程序员。我的职业是英语教学。这篇文章讲的是：我怎么用 WorkBuddy 把「批改口语作业」这件最耗老师生命的事，变成一条晚上自动运转的流水线。全流程有真截图、真成本账、真踩坑，不演示、不概念。

一、问题：批改口语作业有多吃人

我的学生在 7 个微信群里交作业：朗读视频、背诵视频、手写作业照片。一个班一晚上几十条提交。

传统做法是什么？逐条点开视频、听完、记录问题、写评语、发回家长。一个学生的三段视频，认真批要 40 分钟。一个班下来，一晚上没了。而「认真」这件事无法偷懒——家长把孩子交给你，你要是只回一句「很好，继续加油」，第二次课就没人来了。

所以问题变成：哪些环节可以让 AI 做，而老师只做最后的判断？

二、流水线长什么样

学生发视频到群里之后，我只需对 WorkBuddy 说一句「开始批改」，接下来全是它的：

1. 采集：自动逐群抓取新消息——macOS Vision OCR 定位窗口、识别消息时间线，翻到指定日期为止
2. 转写：faster-whisper 做语音转写，精确到词级时间戳——「0:18 处的 urge」这样定位
3. 发音评分：OpenPronounce 逐词打分，落到音素级：是 ɜː 没发饱满，还是重音错了
4. 对照教材：和课本原文逐句比对（比如 THINK 2 教材对话），读错、漏读、加词全部标出
5. 生成反馈单：自动排版 Word 文档——批改点红色标注+序号、发音评分、思维启发评语、双栏转写文本
6. 人工终审：我打开「批改审阅台」网页，每个批改点可以编辑/删除/恢复/新增，改完一键导出

最后家长收到的，是这样一份反馈单：

【批改点 3】0:18 — "urge" 发音问题：/ɜː/ 不饱满，被发成了 /ɔː/。注意不是语法错误，是发音。 【思维】你能把课堂笔记的「举一反三」落到实处，用 in case of 造句想到消防演习，很好……

批改粒度能到什么程度？有一段背诵《送元二使安西》英译的视频，AI 转写显示学生把 "urge" 和 "wine" 读得含混。我拿原诗照片比对后确认：这两个词是发音错误而不是语法用错——批改点从「用词不当」改判为「发音不准」，批改方向完全不同。这就是 AI 初批 + 教师终审的价值：机器提供证据，人做判断。

三、为什么必须自己搭「审阅台」，而不是直接发 AI 结论

这是我踩坑最多的一步，也是我觉得最值得分享的一步。

第一版我直接让 AI 批完生成文档发家长，结果发现：AI 偶尔会把时间戳对错句子，转写文本里 22 处该标红的批改点只标出来 4 处。黑箱结论在教育场景是不可用的——错误批改一次，家长信任就清零了。

所以第二版我把流程改成「AI 出工作底稿，教师改卷」：

• 每个批改点旁有编辑/删除/恢复按钮，老师划掉不认可的、改写措辞、补充 AI 没看到的
• 所有修订实时同步回服务器，不会出现「改了但导出时丢了」
• 审完一键导出 Word 和长图，按班级归档

一句话：AI 负责把批改从 0 推到 90 分，老师负责最后 10 分的定稿——而这 10 分恰恰是家长付费的原因。

四、踩过的坑（这部分最值钱）

1. 视觉模型会空转：最快的模型偶尔返回空结果，必须做三级模型兜底（快→稳→慢），失败自动降级
2. 群名会被截断：会话列表里「剑桥初中小虎队」显示成「剑桥初.」，关键词匹配直接失败——后来我把匹配逻辑改成兼容截断
3. 鼠标会被抢：自动化滚动时你动了物理鼠标，光标被带走，滚动全滚去了别的窗口。解法是每个事件前重新定位光标
4. 副屏拔线窗口失踪：平板当副屏拔掉后，窗口停在副屏坐标上「消失」了——用辅助功能 API 一秒拉回
5. 网关也会欠费：依赖的视觉模型供应商半夜余额不足，整条流水线静默失败。现在所有外部依赖都有健康检查和多路由

这些坑没有一个是「AI 能力不行」，全是工程化问题。这也是我想对同行说的：AI 进教育，瓶颈不在模型，在流水线的最后一公里。

五、成本账

一条 3 分钟的朗读视频批改，全链路成本折算不到一杯奶茶的十分之一，而人工听改要 15 分钟起。一晚上一个班的量，我下班后的时间从「全部交给批改」变成「审阅台前半小时」。

省下来的时间干嘛？备课、教研、还有——写这篇东西。

六、给同行的三句话

1. 别问「AI 能不能批改」，问「哪一步需要人来定夺」——把需要人的那一步做成界面，其余交给机器
2. 从最痛、最高频、标准最明确的事切入（口语作业就是），不要从「用 AI 做课件」这种模糊事开始
3. 把踩的坑记下来。我的 MEMORY.md 现在是这条流水线最值钱的资产——代码可以重写，踩坑的判断力重写不了

我是 LEO，一个用 AI 把自己从批改里捞出来的英语老师。这条流水线每天都在真实运转，欢迎在评论区交流你的场景。