中英混输场景，语音产品怎么验收？

我们团队日常中英夹杂：产品名英文、解释中文、插一句术语再切回去。接语音代理后，延迟和识别率波动比纯中文大得多，演示用「精心录音」完全测不出来，上线后客服侧才会暴露。

想请教一套可重复的验收方式：

1. 测试集：有没有公开的中英混说语料，或你们内部录制规范（音量、噪声、语速）； 2. 指标：WER 之外，是否要单独看「语言切换点」错误与打断成功率； 3. 场景分层：客服、陪练、会议摘要是否该用不同阈值； 4. 回归：模型或提示一改，如何避免「修了英文坏了中文」。

若你做过 LoomVoice 一类产品的验收，或有可分享的录制 checklist，求求贴出来。我们也可以把脱敏样例协议开源成社区最小集合。欢迎附上「失败时听起来像什么」的主观描述，那往往比单一数字更管用。

也欢迎补充反例：什么做法看起来热闹，却伤了长期信任。我们更想沉淀可复用的结论。

把经验写具体一点（场景、约束、结果），比空泛安利更能帮到后来者。