Bagi kebanyakan kriteria penilaian, tiada satu alat transkripsi AI yang menang secara menyeluruh pada 2026. Untuk audio bahasa Inggeris yang bersih, Whisper Large v3 dan Deepgram Nova-2 mendahului dari segi kadar ralat perkataan, kira-kira 3–6%. Untuk mesyuarat berbilang bahasa yang memerlukan hasil secara masa nyata, alat STT berbilang bahasa asli penstriman seperti MirrorCaption menunjukkan prestasi paling konsisten merentas bahasa bukan Inggeris. Alat yang paling tepat untuk anda bergantung pada bila anda memerlukan transkrip dan bahasa yang digunakan oleh penutur anda.

September lalu, Nadia menghadapi masalah yang tidak ditangkap oleh kebanyakan penanda aras ketepatan. Dia mengurus program penyelidikan kualitatif di sebuah universiti di Berlin dan memerlukan alat transkripsi untuk temu bual 45 minit dengan saintis antarabangsa, jurutera yang bahasa Inggeris mereka fasih dari segi teknikal tetapi kuat aksen. Whisper Large v3 menghasilkan output paling bersih pada klip ujian beliau: seorang penutur asli bahasa Inggeris, bilik yang sunyi, teks yang disediakan. Dia menjalankan model yang sama pada temu bual 40 minit dengan seorang jurutera aeroangkasa Jepun. Sembilan belas ralat kata nama khas. Dua ayat penuh digugurkan sepenuhnya. Model dengan skor WER makmal kedua terbaik itulah yang beliau percayai untuk penyelidikan sebenar.

Perbandingan ini menilai tujuh alat merentas empat keadaan audio, bahasa Inggeris studio yang bersih, panggilan Zoom yang disimulasikan, pertukaran kod dwibahasa Inggeris-Mandarin, dan penutur bahasa Inggeris bukan asli. Inilah yang ditunjukkan oleh data, di mana setiap alat gagal, dan yang mana sesuai untuk setiap kes penggunaan.

Poin Utama

Apakah Sebenarnya Maksud "Ketepatan Transkripsi"

Penjelasan Kadar Ralat Perkataan (WER)

Kadar ralat perkataan ialah metrik standard untuk ketepatan pertuturan-ke-teks. Rumusnya: kira penggantian (perkataan salah), sisipan (perkataan tambahan), dan penghapusan (perkataan terlepas), kemudian bahagikan dengan jumlah perkataan rujukan. WER 5% bermaksud kira-kira lima ralat bagi setiap 100 perkataan. Dalam mesyuarat 1,200 perkataan, itu 60 ralat, ada yang tidak berbahaya ("the" berbanding "a"), ada yang membawa kesan ("kita akan luluskan ini" berbanding "kita akan semak ini").

Skor WER yang diterbitkan biasanya datang daripada set data terkawal seperti LibriSpeech (pertuturan bacaan yang bersih) atau Common Voice. Mesyuarat sebenar berbeza: audio dimampatkan oleh codec Zoom atau Teams, beberapa penutur bertindih, loghat bukan asli, bunyi latar belakang, dan jargon teknikal yang tidak ada dalam data latihan model. WER dalam keadaan mesyuarat biasanya 2–3× lebih tinggi daripada WER makmal bagi setiap alat dalam senarai ini.

Soalan Yang Lebih Penting Daripada WER

Sebelum membandingkan skor ketepatan, jawab ini: adakah anda memerlukan transkrip semasa mesyuarat atau selepasnya? Alat penstriman dengan WER 7% yang memberikan hasil ketika penutur masih bercakap selalunya lebih berguna untuk keputusan dalam mesyuarat berbanding alat kelompok dengan WER 4% yang tiba sepuluh minit kemudian. Ketepatan juga bergantung pada masa, bukan sekadar kadar ralat. Artikel pendamping kami tentang ketepatan terjemahan masa nyata membincangkan pertukaran ini dengan lebih mendalam.

Cara Kami Menilai Alat-Alat Ini

Kami menjalankan setiap alat melalui empat senario audio:

  1. Studio bersih, seorang penutur asli bahasa Inggeris, persekitaran akustik terkawal
  2. Keadaan mesyuarat, panggilan Zoom yang disimulasikan, dua penutur asli bahasa Inggeris, bunyi latar belakang ringan
  3. Pertukaran dwibahasa, pertukaran kod Inggeris dan Mandarin, seorang penutur asli bagi setiap bahasa
  4. Bahasa Inggeris bukan asli, penutur Jepun dengan kecekapan bahasa Inggeris pertengahan hingga lanjutan

Alat yang dinilai: Otter.ai, OpenAI Whisper Large v3, Fireflies.ai, Zoom AI Companion, Deepgram Nova-2, AssemblyAI Universal-2, dan MirrorCaption. Julat WER dalam artikel ini diambil daripada penanda aras akademik yang diterbitkan, dokumentasi vendor, dan ujian kami sendiri. Kami membentangkan julat dan bukannya anggaran titik kerana ketepatan berubah dengan ketara mengikut keadaan audio, anggap ini sebagai petunjuk, bukan muktamad, dan uji dengan kandungan anda sendiri sebelum komited kepada sesuatu alat.

Lihat bagaimana MirrorCaption mengendalikan mesyuarat anda

2 jam percuma sebulan. Tiada pemasangan. Mana-mana pelayar.

Cuba Percuma

Perbandingan Ketepatan Transkripsi AI: Keputusan 2026

Jadual di bawah merumuskan WER anggaran merentas keadaan ujian, keupayaan masa nyata, liputan bahasa, dan sama ada alat itu tersedia sebagai produk pengguna akhir atau API pembangun sahaja.

Alat WER EN Bersih WER Mesyuarat Masa Nyata Bahasa Produk Pengguna Akhir
Whisper Large v3 ~3–5% ~12–18% Tidak (kelompok) 99 Tidak (memerlukan pembangun)
Deepgram Nova-2 ~4–6% ~7–12% Ya (API) 36 Tidak (API sahaja)
AssemblyAI Universal-2 ~5–8% ~8–13% Sebahagian 17 Tidak (API sahaja)
Otter.ai ~8–12% ~10–16% Ya EN-utama Ya
MirrorCaption ~5–8% ~7–12% Ya (<500ms) 60+ Ya
Fireflies.ai ~9–14% ~11–17% Tidak (selepas panggilan) 60+ (selepas panggilan) Ya
Zoom AI Companion ~9–13% ~11–16% Sebahagian ~8 Ya (perusahaan)

Julat WER adalah anggaran, berdasarkan penanda aras yang diterbitkan termasuk HuggingFace Open ASR Leaderboard, laporan teknikal Whisper OpenAI, dokumentasi vendor, dan ujian kami sendiri. Angka sebenar berbeza mengikut kualiti audio, ciri penutur, dan kosa kata.

Tiga perkara menonjol. Pertama: jurang antara WER bersih dan WER mesyuarat lebih besar daripada yang disiratkan oleh kebanyakan dakwaan vendor, lonjakan Whisper daripada ~4% kepada ~15% adalah dramatik kerana ia ialah model kelompok yang tidak direka untuk bunyi mesyuarat. Kedua: alat API sahaja (Deepgram, AssemblyAI) secara konsisten mengatasi produk pengguna pada WER mentah, tetapi memerlukan kerja kejuruteraan untuk digunakan. Ketiga: liputan bahasa yang luas dan keupayaan masa nyata jarang wujud serentak, alat yang menawarkan kedua-duanya sangat terhad bilangannya.

Pecahan Mengikut Alat

1. OpenAI Whisper Large v3

Whisper ialah penanda aras ketepatan untuk audio bahasa Inggeris yang bersih. OpenAI melatihnya pada 680,000 jam audio web berbilang bahasa, memberikannya prestasi yang kukuh pada pertuturan beraksen dalam taburan latihannya. Pada penanda aras pertuturan bacaan yang bersih, Whisper Large v3 mencapai WER di bawah 5%. Pada korpus AMI, set data mesyuarat berbilang pihak sebenar, WER meningkat ke julat 12–18%, kerana Whisper ialah model kelompok: ia memproses segmen audio lengkap, bukan strim langsung.

Kekangan asasnya ialah Whisper ialah model, bukan produk. Menggunakannya memerlukan Python, kuasa pengkomputeran, dan masa pembangun. Penggunaan masa nyata memerlukan kejuruteraan tambahan. Jika anda ada itu, Whisper sangat baik untuk bahasa Inggeris. Jika tidak, lihat di bawah. Untuk perbandingan praktikal secara berdepan, baca halaman MirrorCaption vs. Whisper kami.

2. Deepgram Nova-2

Nova-2 Deepgram ialah pilihan paling kuat untuk pembangun bagi ketepatan penstriman masa nyata. Ia mencapai ~4–6% WER pada bahasa Inggeris yang bersih dan mengekalkan prestasi kompetitif dalam keadaan mesyuarat (~7–12%) kerana Deepgram khusus mengoptimumkan untuk audio telefon dan persidangan. Kependaman penstriman adalah di bawah 300ms. Tiga puluh enam bahasa yang disokong memadai untuk banyak pasukan tetapi tidak mencukupi untuk liputan berbilang bahasa yang luas.

Kekangannya sama seperti Whisper: ia ialah API. Anda membayar untuk aliran data yang pasukan kejuruteraan anda perlu bina, paparkan, dan urus. Tiada UI, tiada label penutur secara sedia guna, tiada lapisan ringkasan AI. Harga pada ~$0.0043/min bertambah untuk penggunaan volum tinggi.

3. AssemblyAI Universal-2

AssemblyAI menawarkan diarization penutur yang kukuh, penting untuk transkrip mesyuarat apabila mengetahui siapa berkata apa sama pentingnya dengan apa yang dikatakan. Universal-2 mencapai ~5–8% WER pada audio bersih. Penstriman masa nyata tersedia tetapi kurang matang berbanding tawaran Deepgram. Pada 17 bahasa yang disokong, ini merupakan kekangan yang ketara untuk pasukan antarabangsa. Seperti Deepgram, ia memerlukan integrasi pembangun; tiada produk pengguna akhir.

4. Otter.ai

Terbaik untuk Pasukan Satu Bahasa Inggeris

Otter ialah pilihan pengguna lalai untuk transkripsi mesyuarat bahasa Inggeris. WER pada bahasa Inggeris Amerika yang jelas adalah kukuh, kira-kira 8–12% dalam keadaan mesyuarat, kompetitif untuk produk pengguna. OtterPilot menyertai mesyuarat secara automatik, menangkap audio, dan menjana nota serta item tindakan dengan label penutur. Integrasi kalendar dengan Zoom, Google Meet, dan Teams adalah boleh dipercayai.

Kekurangan muncul dengan cepat di luar bahasa Inggeris. Otter tidak menawarkan terjemahan masa nyata, dan kualiti transkripsi bukan Inggeris jauh lebih rendah daripada prestasi bahasa Inggerisnya. Pada $16.99/bulan setiap pengguna, kos terkumpul untuk pasukan. Lihat perbandingan penuh MirrorCaption vs. Otter.ai kami untuk pecahan ciri demi ciri.

5. MirrorCaption (STT penstriman + GPT)

Terbaik untuk Masa Nyata Berbilang Bahasa

MirrorCaption menggunakan enjin STT WebSocket asli penstriman yang menunjukkan penanda aras yang konsisten baik pada bahasa Inggeris bukan asli dan bahasa Asia. WER pada audio mesyuarat berada dalam julat ~7–12% dengan kependaman penstriman di bawah 500ms. Tetapi WER mentah tidak menangkap gambaran penuh untuk alat yang mampu menterjemah.

Setiap segmen transkripsi dihalakan melalui terjemahan GPT dengan konteks daripada 3–5 segmen sebelumnya. Apabila seorang klien Jepun berkata ちょっと難しいです, secara literal "sedikit sukar", lapisan terjemahan mempertimbangkan perbualan sekeliling sebelum memutuskan sama ada ini ialah komen logistik atau penolakan komersial yang sopan. Ketepatan pada tahap makna inilah yang tidak diukur oleh kebanyakan penanda aras WER.

Untuk pengguna akhir, MirrorCaption ialah satu-satunya alat dalam senarai ini yang menggabungkan ketepatan penstriman masa nyata, liputan 60+ bahasa, tangkapan audio tanpa bot melalui tab pelayar, dan UI yang tidak memerlukan pemasangan. €49 seumur hidup dengan 200 jam termasuk; 2 jam percuma sebulan.

Uji ketepatan masa nyata dalam mesyuarat anda sendiri

Buka MirrorCaption dalam pelayar anda, tiada muat turun, tiada persediaan diperlukan.

Buka MirrorCaption

6. Fireflies.ai

Fireflies memfokuskan pada lapisan nota mesyuarat: bot menyertai panggilan anda, merakam semuanya, dan menjana transkrip selepas mesyuarat dengan ringkasan AI. Integrasi CRM dengan HubSpot dan Salesforce menjadikannya popular dalam pasukan jualan. WER dalam keadaan mesyuarat adalah kira-kira 9–14%, memadai untuk penjanaan ringkasan, di mana beberapa ralat perkataan jarang mengubah makna sesuatu item tindakan.

Kekangannya ialah masa. Fireflies ialah alat selepas panggilan. Transkripsi masa nyata tersedia tetapi bukan produk teras, dan terjemahan hanya selepas panggilan. Jika anda perlu memahami apa yang sedang dikatakan semasa mesyuarat dan bukannya selepasnya, Fireflies tidak sesuai untuk keperluan itu.

7. Zoom AI Companion

Zoom AI Companion mengendalikan kapsyen langsung dengan baik dalam Zoom, WER kira-kira 9–13% dalam keadaan mesyuarat, munasabah untuk ciri asli platform. Untuk ~8 bahasa yang disokong, kualiti berbeza dengan ketara mengikut pasangan bahasa. Bahasa Inggeris kuat; jurang melebar untuk bahasa Asia.

Kekangan keras: terikat pada platform (hanya berfungsi dalam Zoom), pelesenan perusahaan diperlukan untuk ciri terjemahan, dan tiada cara untuk menggunakannya bagi perbualan bersemuka atau mesyuarat pada platform lain. Untuk pasukan yang sepenuhnya berada dalam Zoom dan kebanyakannya bermesyuarat dalam bahasa Inggeris, AI Companion ialah pilihan tanpa geseran. Untuk apa-apa yang melangkaui skop itu, anda memerlukan alat berasingan.

Di Mana Setiap Alat Gagal

Bahasa Inggeris Beraksen dan Bukan Asli

Di sinilah skor WER makmal berhenti berguna. Otter, Fireflies, dan Zoom AI Companion dilatih terutamanya pada data bahasa Inggeris asli. Penutur dengan loghat Asia Timur, Asia Selatan, atau Timur Tengah melihat kadar ralat yang jauh lebih tinggi, dalam beberapa kes 20–30% WER, apabila pertuturan mereka menyimpang daripada taburan latihan. Whisper mengendalikan bahasa Inggeris beraksen dengan lebih baik kerana korpus latihan berbilang bahasa yang lebih luas. Enjin STT berbilang bahasa asli penstriman MirrorCaption menunjukkan lebih sedikit penggantian fonem pada bahasa Inggeris bukan asli berbanding alat mesyuarat pengguna.

Perbualan Dwibahasa dan Pertukaran Kod

Pertukaran kod, seorang penutur Jepun menggunakan istilah teknikal bahasa Inggeris di tengah ayat, atau penutur Mandarin berkata "我们 schedule 一个 meeting", memecahkan kebanyakan model STT. Model standard komited kepada satu bahasa bagi setiap sesi dan menganggap perkataan yang tidak dijangka daripada bahasa lain sebagai ralat. Whisper mengendalikan sebahagian pertukaran kod kerana data latihan bercampur bahasanya. MirrorCaption menjalankan pengesanan bahasa bagi setiap segmen dan bukannya mengunci kepada satu bahasa pada permulaan sesi, yang mengendalikan pertukaran dwibahasa dengan lebih lancar. Untuk panduan penuh tentang alat transkripsi berbilang bahasa, lihat panduan transkripsi berbilang bahasa kami.

Pada bulan Februari, sebuah pasukan jualan perisian B2B menemui masalah ini secara langsung. Panggilan Khamis mereka dengan prospek utama di Tokyo nampaknya berjalan lancar. Zoom AI Companion memberikan ringkasannya sembilan minit selepas panggilan tamat. Ringkasan itu berbunyi: "Klien menyatakan kebimbangan tentang masa penilaian." Frasa sebenar, yang hanya ditangkap apabila ketua jualan menonton semula rakaman, ialah: "Kami perlu menghentikan penilaian kami sepenuhnya." Kedua-dua transkrip secara teknikal tepat pada tahap perkataan. Ringkasan Zoom kehilangan kepentingan komersialnya. Tiada siapa yang menyedarinya tepat pada masanya untuk bertanya soalan susulan.

Masa Nyata vs. Pasca-Pemprosesan: Pertukaran Kependaman-Ketepatan

STT penstriman menghasilkan transkripsi separa yang dikemas kini apabila lebih banyak audio tiba. Satu perkataan mungkin ditranskripsikan dengan satu cara, kemudian dibetulkan apabila perkataan seterusnya memberikan konteks. Alat pasca-pemprosesan menunggu segmen audio lengkap, ketepatan lebih baik kerana mereka mempunyai konteks penuh, tetapi terdapat kelewatan beberapa saat hingga minit sebelum output muncul. Jurang ketepatan akhir antara penstriman dan kelompok biasanya 1–3 mata peratusan. Itu nyata, tetapi sempit berbanding nilai mendapatkan hasil ketika anda masih boleh bertindak ke atasnya. Artikel kami tentang kapsyen langsung vs. transkrip membincangkan pertukaran ini dengan lebih terperinci.

Alat Mana Paling Tepat untuk Kes Penggunaan Anda?

Untuk transkrip selepas mesyuarat dalam bahasa Inggeris sahaja: Whisper Large v3 (melalui pembungkus atau penggunaan hos sendiri) atau Otter.ai. Kedua-duanya memberikan output selepas mesyuarat yang kemas. Otter lebih mudah untuk pengguna bukan teknikal; Whisper lebih baik jika anda mempunyai sumber pembangun dan mahukan ketepatan maksimum. Baca perbandingan STT penstriman vs. Whisper kami untuk pecahan teknikal.

Untuk mesyuarat masa nyata berbilang bahasa: MirrorCaption (STT penstriman + GPT). Penstriman masa nyata, 60+ bahasa, tiada bot, berasaskan pelayar. Pendekatan dua lapisan, STT penstriman ditambah terjemahan kontekstual, menambah ketepatan pada tahap makna yang tidak ditangkap oleh penanda aras WER.

Untuk ketepatan API gred pembangun: Deepgram Nova-2 untuk beban kerja volum tinggi yang mengutamakan bahasa Inggeris; AssemblyAI Universal-2 untuk kes penggunaan yang memerlukan diarization penutur yang kukuh. Kedua-duanya memerlukan pelaburan kejuruteraan.

Untuk kemudahan asli platform: Google Meet Live Captions jika anda sepenuhnya hidup dalam Google Workspace; Zoom AI Companion jika setiap mesyuarat berlaku dalam Zoom. Terima penguncian platform sebagai harga bagi persediaan sifar.

Marcus, seorang jurutera perisian Brazil yang sedang belajar bahasa Jepun, mula menggunakan MirrorCaption untuk semakan dua minggu sekali dengan rakan sepasukannya di Tokyo. Setiap sesi, dia akan menyimpan lima atau enam frasa ke dalam dek kosa katanya, bukan bahasa Jepun buku teks, tetapi bahasa mesyuarat sebenar: bentuk sopan untuk tidak bersetuju, kosa kata teknikal yang benar-benar digunakan oleh rakan sekerjanya, frasa yang muncul sebelum sesuatu keputusan dibuat. Selepas empat bulan dia mempunyai hampir 200 frasa daripada perbualan sebenar. Rakan sepasukannya di Tokyo menyedari perubahan itu sebelum dia menyebutnya.

Soalan Lazim

Sejauh mana tepat transkripsi mesyuarat AI pada 2026?

Transkripsi AI moden mencapai kadar ralat perkataan 3–8% pada audio bahasa Inggeris yang bersih. Dalam keadaan mesyuarat sebenar, bunyi latar belakang, beberapa penutur, pemampatan audio, WER biasanya meningkat kepada 8–17% bergantung pada alat. Ketepatan pada bahasa bukan Inggeris berbeza dengan ketara: alat yang dilatih terutamanya pada bahasa Inggeris boleh melihat WER berganda atau lebih apabila penutur menggunakan Mandarin, Jepun, Arab, atau bahasa bukan Inggeris lain.

Apakah kadar ralat perkataan (WER)?

Kadar ralat perkataan mengira penggantian (perkataan salah), sisipan (perkataan tambahan), dan penghapusan (perkataan terlepas), dibahagikan dengan jumlah perkataan rujukan. WER 5% bermaksud kira-kira lima ralat bagi setiap 100 perkataan. Lebih rendah lebih baik, tetapi WER tidak membezakan antara ralat yang tidak berbahaya dan yang membawa kesan, "approve" berbanding "disapprove" kedua-duanya dikira sebagai satu penggantian.

Alat transkripsi AI yang mana paling tepat pada 2026?

Untuk audio bahasa Inggeris yang bersih, Whisper Large v3 dan Deepgram Nova-2 mencapai ~3–6% WER dan mendahului bidang ini. Untuk mesyuarat berbilang bahasa masa nyata, MirrorCaption menawarkan gabungan terbaik antara ketepatan penstriman dan liputan bahasa. Tiada satu alat yang mendahului dalam setiap dimensi, jawapannya bergantung pada keadaan audio anda, campuran bahasa, dan sama ada anda memerlukan hasil semasa atau selepas mesyuarat.

Adakah ketepatan transkripsi AI menurun untuk bahasa bukan Inggeris?

Ya, dengan ketara. Alat pengguna seperti Otter.ai, Fireflies, dan Zoom AI Companion dilatih terutamanya pada data bahasa Inggeris, ketepatan bukan Inggeris merosot dengan mendadak, terutamanya untuk bahasa Asia dan Timur Tengah. Whisper dan MirrorCaption menunjukkan prestasi yang lebih konsisten merentas bahasa kerana korpus latihan berbilang bahasa yang lebih luas.

Bagaimana penstriman masa nyata mempengaruhi ketepatan transkripsi?

STT penstriman menghasilkan hasil separa yang membetulkan diri apabila konteks bertambah. Ketepatan akhir untuk alat penstriman biasanya 1–3 mata peratusan WER lebih tinggi daripada alat kelompok pada audio yang sama, jurang yang nyata tetapi sempit, memandangkan output penstriman tiba ketika mesyuarat masih berlangsung. Lihat artikel kami tentang kapsyen langsung vs. transkrip untuk pandangan yang lebih mendalam.

Adakah Whisper lebih tepat daripada Otter.ai?

Pada audio bahasa Inggeris yang bersih, Whisper Large v3 mencapai WER yang jauh lebih rendah daripada Otter.ai. Dalam keadaan mesyuarat sebenar jurangnya mengecil tetapi masih wujud. Whisper ialah model yang anda gunakan sendiri atau akses melalui pembungkus pihak ketiga; Otter ialah produk lengkap dengan UI. Untuk pengguna akhir yang tidak mahu mengurus infrastruktur, pertukaran ketepatan berbanding kemudahan Otter adalah munasabah. Untuk pasukan yang mempunyai sumber pembangun, Whisper menawarkan ketepatan yang lebih baik pada bahasa Inggeris. Untuk pecahan teknikal terperinci kami, baca STT penstriman vs. Whisper.

Metrik Ketepatan Yang Sebenarnya Penting

WER mentah ialah penanda aras yang berguna; tetapi ia ialah nombor makmal. Ia tidak memberitahu anda sama ada alat itu mengendalikan loghat penutur anda, sama ada hasil tiba ketika anda masih boleh bertindak ke atasnya, atau sama ada transkrip yang tepat dari segi linguistik menangkap apa yang sebenarnya dimaksudkan.

Bagi pasukan yang mesyuaratnya kekal dalam bahasa Inggeris dan ringkasan selepas mesyuarat memadai, Whisper dan Otter mewakili siling ketepatan yang tersedia hari ini. Bagi pasukan berbilang bahasa yang membuat keputusan masa nyata, persoalannya beralih daripada "alat mana mempunyai WER paling rendah" kepada "alat mana memberi kita bacaan yang cukup tepat ketika kita masih boleh bertindak balas." Itu penilaian yang berbeza, dan ia menghasilkan jawapan yang berbeza.

MirrorCaption melapisi STT penstriman dengan terjemahan GPT kontekstual untuk memenuhi kes penggunaan kedua itu, dalam 60+ bahasa, di bawah 500ms, dari tab pelayar. Tahap percuma memberi anda 2 jam sebulan. Mesyuarat anda yang seterusnya ialah ujian.

Uji Ketepatan dalam Mesyuarat Seterusnya Anda

2 jam percuma setiap bulan. 60+ bahasa. Tiada bot, tiada pemasangan.

Cuba MirrorCaption Percuma