La transcripción en chino es прежде una cuestión de contratación que de subida de archivos. Pregunta qué variedad hablada maneja el modelo, qué escritura produce y si el resultado preserva el habla o la normaliza a chino escrito formal. Un único ajuste de “chino” puede dejar esas decisiones implícitas.
Conclusiones clave
- Una etiqueta de cantonés no demuestra que un conjunto de prueba represente el cantonés conversacional. Una auditoría de ACL 2025 encontró que el 89.8% de los text prompts en FLEURS
yue_hkeran chino escrito estándar. - En un estudio de 2022, un modelo de cantonés obtuvo una tasa de error de caracteres del 10.15% en su propio conjunto de prueba y del 83.42% en otro corpus de cantonés. Las puntuaciones necesitan un conjunto de datos y contexto de grabación.
- Google Cloud y Deepgram exponen distintos códigos de chino específicos de modelo. Confirma la variedad y la escritura de salida con tu modelo real.
- Para citas o registros, conserva el audio e inspecciona una transcripción representativa frente a él antes de procesar un lote completo.
La transcripción en chino tiene tres requisitos separados
Variedad hablada le dice al sistema de reconocimiento qué habla debe esperar. El mandarín y el cantonés necesitan evaluaciones separadas; un modelo que acepta un código genérico de chino puede no ofrecer los mismos resultados para ambos. Escritura pregunta si la salida debe usar caracteres simplificados o tradicionales. Registro pregunta si una transcripción en cantonés debe conservar un lenguaje vernáculo o leerse como chino escrito estándar. Son requisitos de entrega distintos, incluso cuando un servicio los combina en un solo ajuste.
Una reescritura formal puede servir para notas de reunión, pero no puede valer como cita literal sin comprobar la grabación. Para una entrevista, un registro legal o una transcripción de investigación, pide una muestra que conserve el texto que necesitas y mantén el audio original disponible para revisión.
Lo que puede ocultar una etiqueta de referencia de cantonés
Una auditoría de conjuntos de datos de ACL 2025 clasificó los text prompts escritos asociados a subconjuntos de voz etiquetados como cantonés. Su Tabla 5 encontró una diferencia marcada entre Common Voice 17.0 yue y FLEURS yue_hk:
| Text prompts | Chino escrito estándar | Cantonés vernáculo escrito | Sin marcar |
|---|---|---|---|
Common Voice 17.0 yue | 0.1% | 75.7% | 24.1% |
FLEURS yue_hk | 89.8% | 0% | 10.2% |
Estos porcentajes clasifican los text prompts, no la variedad hablada de grabaciones individuales. Common Voice también tiene una pequeña categoría mixta que se omite en esta tabla.
El artículo sugiere que FLEURS yue_hk puede estar mal etiquetado porque sus prompts usan en gran medida chino escrito estándar. Eso no demuestra que ningún hablante pronunciara las grabaciones en cantonés. Significa que la etiqueta por sí sola no basta como prueba para afirmar una transcripción de cantonés coloquial. Pregunta si el benchmark de un proveedor usa prompts leídos, habla conversacional o tu dominio objetivo.
Un estudio de conjuntos de datos de cantonés de LREC 2022 aparte encontró una tasa de error de caracteres del 10.15% cuando un modelo entrenado con su corpus MDCC se probó en MDCC, pero del 83.42% cuando el mismo modelo se probó en Common Voice zh-HK. Este es un resultado para una arquitectura y dos conjuntos de prueba, no una tasa de error universal del cantonés. La lección práctica es probar tus acentos, micrófonos y estilo de habla.
Un estudio ASR multidiálecto de 2026 también informa de resultados distintos en mandarín y sus conjuntos de prueba dialectales, pero esos números no pueden compararse directamente con el experimento de cantonés de 2022. Para más información sobre métricas de error, consulta nuestra comparación de precisión de transcripción con IA.
Lee los códigos de idioma como promesas específicas del modelo
Google Cloud Speech-to-Text enumera códigos como cmn-Hans-CN para mandarín simplificado, cmn-Hant-TW para mandarín tradicional y yue-Hant-HK para cantonés tradicional. Estos códigos agrupan variedad, escritura y región. Los modelos de reconocimiento que admiten cada código también varían según la ubicación.
La lista de modelos de Deepgram etiqueta el cantonés tradicional como zh-HK para Nova-3, junto con opciones de mandarín simplificado y tradicional. Su lista de idiomas de Flux STT no incluye chino. Nunca debe asumirse que un idioma mostrado para un modelo funcionará en otro.
Ninguna lista de códigos te dice si el cantonés coloquial se normalizará a prosa formal. Solicita una muestra breve en la escritura y el registro previstos. Si el proveedor no puede responder a la cuestión del registro, compara la muestra línea por línea con el audio.
Compara el servicio, no solo la tarifa destacada
A fecha de octubre de 2026, la página Chinese Scribe de ElevenLabs indica $0.40 por hora de audio, mientras que la página de chino de GoTranscript anuncia transcripción humana desde $1.02 por minuto. Son precios de partida para alcances distintos, no presupuestos equivalentes. El servicio humano anuncia tratamiento de mandarín y cantonés, entregables en simplificado o tradicional y localización opcional. Verifica las tarifas vigentes, los complementos y el entregable exacto antes de hacer el pedido.
Las cifras de referencia necesitan un cuidado similar. La comparación multilingüe gestionada por el proveedor de AssemblyAI presenta una sola columna de chino en lugar de filas separadas para mandarín y cantonés. Es una instantánea de los sistemas y conjuntos de datos probados, no una prueba de rendimiento en tu entrevista en cantonés. Pregunta qué versión del modelo, subconjunto de idioma y cálculo de tasa de error de caracteres produjo la puntuación citada.
Para el cambio entre mandarín e inglés, crea también una muestra bilingüe. El desafío chino-inglés de ISCSLP 2022 informó de una tasa de error de mezcla del 16.70% para su sistema ganador frente a una base del desafío del 26.50%. Ese resultado controlado no puede predecir todas las reuniones, pero muestra por qué una demostración monolingüe es una prueba de compra incompleta.
Una prueba de audio a texto en chino en cuatro pasos
- Identifica el habla. Registra si la fuente es mandarín, cantonés, otra variedad o una mezcla con inglés. Selecciona un código compatible explícito cuando el modelo ofrezca uno.
- Especifica la salida. Indica caracteres simplificados o tradicionales y si la transcripción debe conservar el lenguaje conversacional.
- Prueba audio representativo. Incluye acentos reales, ruido de fondo, nombres y cualquier cambio de idioma. Inspecciona la salida junto con la grabación.
- Mantén una vía de revisión. Guarda el audio, documenta el modelo y los ajustes, y reserva revisión humana cuando el texto exacto sea materialmente importante.
Los subtítulos en directo y una transcripción de archivo tienen criterios de éxito distintos. Consulta transcripción en tiempo real frente a transcripción de audio grabado para esa elección de flujo de trabajo. Si el objetivo es texto chino traducido desde otro idioma hablado, usa un flujo de trabajo de traducción de voz como nuestra guía de traductor de árabe a chino.
Dónde encaja MirrorCaption
MirrorCaption muestra actualmente una sola opción de idioma chino. No ofrece una opción separada de cantonés ni un control de escritura simplificado/tradicional, y no publicamos ninguna tasa de error de caracteres en chino para el producto. Las grabaciones subidas toman un único idioma de origen seleccionado por archivo. Usa un servicio con controles explícitos y revisión humana cuando tu trabajo requiera un registro certificado o literal en cantonés.
Para una conversación en directo entre mandarín e inglés, MirrorCaption puede mostrar el habla original junto a una traducción mientras la gente habla. Pruébalo con tu propia muestra para decidir si eso es útil para la reunión; no sustituye una transcripción de archivo revisada.
Prueba MirrorCaption gratis
Ve subtítulos en chino e inglés en directo, uno al lado del otro, sobre una conversación representativa. Una hora gratis para probar, una sola vez, sin tarjeta de crédito.
Empezar gratisPreguntas frecuentes
¿La transcripción en cantonés es tan precisa como la de mandarín?
No existe una única cifra de precisión comparable. Un estudio de cantonés de 2022 mostró cómo un modelo pasaba del 10.15% de tasa de error de caracteres en su propio conjunto de prueba al 83.42% en otro corpus. Prueba el mismo tipo de audio que planeas transcribir.
¿Puede el software de transcripción distinguir automáticamente entre mandarín y cantonés?
La detección depende del modelo y de la grabación. Google Cloud enumera el cantonés como yue-Hant-HK; Deepgram Nova-3 lo enumera como zh-HK. Elige una variedad explícita cuando esté disponible y prueba una muestra.
¿Una transcripción en chino volverá en caracteres simplificados o tradicionales?
Depende del servicio y del modelo. Algunos códigos de idioma documentados agrupan la escritura con una variedad y una región. Confirma la salida real antes de enviar un lote grande.
¿Cómo gestionan las herramientas una reunión que mezcla chino e inglés?
Usa una grabación representativa con cambios de idioma y nombres. El desafío ISCSLP 2022 informó de una tasa de error de mezcla del 16.70% para su sistema ganador en su propio conjunto de prueba, lo que recuerda que hay que probar directamente el audio bilingüe.
¿MirrorCaption me permite elegir la variedad y la escritura del chino?
No. MirrorCaption ofrece actualmente una sola opción de idioma chino, sin controles separados para cantonés o escritura. No publicamos nuestro propio benchmark de precisión en chino.