การถอดเสียงภาษาจีนเป็นเรื่องของการจัดซื้อก่อนจะเป็นเรื่องของการอัปโหลดไฟล์ ถามให้ชัดว่าระบบรองรับ ภาษาพูดแบบใด เขียนด้วย อักษร แบบไหน และผลลัพธ์ยังคงลักษณะการพูดไว้หรือถูกทำให้เป็น ภาษาจีนเขียนมาตรฐาน การตั้งค่า “Chinese” เพียงค่าเดียวอาจปล่อยให้การตัดสินใจเหล่านี้เป็นนัยโดยปริยาย
ประเด็นสำคัญ
- ป้ายกำกับว่าเป็นกวางตุ้งไม่ได้พิสูจน์ว่าชุดทดสอบนั้นแทนภาษากวางตุ้งแบบสนทนาได้ การตรวจสอบ ACL 2025 พบว่า 89.8% ของ ข้อความพรอมต์ ใน FLEURS
yue_hkเป็นภาษาจีนเขียนมาตรฐาน - ในการศึกษาปี 2022 ครั้งหนึ่ง โมเดลกวางตุ้งทำอัตราความผิดพลาดระดับตัวอักษรได้ 10.15% บนชุดทดสอบของตัวเอง และ 83.42% บนคลังข้อมูลกวางตุ้งอีกชุดหนึ่ง คะแนนต้องดูควบคู่กับชุดข้อมูลและบริบทการบันทึกเสียง
- Google Cloud และ Deepgram เปิดเผยรหัสภาษาจีนเฉพาะโมเดลที่ต่างกัน ยืนยันภาษาพูดและอักษรผลลัพธ์กับโมเดลจริงของคุณ
- สำหรับคำพูดอ้างอิงหรือบันทึก ให้เก็บไฟล์เสียงไว้และตรวจทานทรานสคริปต์ตัวอย่างที่เป็นตัวแทนเทียบกับเสียงก่อนประมวลผลทั้งชุด
การถอดเสียงภาษาจีนมีข้อกำหนดแยกกัน 3 อย่าง
ภาษาพูดแบบใด บอกระบบรู้จำเสียงว่าควรคาดหวังการพูดแบบไหน แมนดารินและกวางตุ้งต้องประเมินแยกกัน โมเดลที่ยอมรับรหัสภาษาจีนแบบทั่วไปอาจให้ผลลัพธ์ไม่เหมือนกันสำหรับทั้งสองแบบ อักษร ถามว่าผลลัพธ์ควรใช้ตัวอักษรจีนตัวย่อหรือตัวเต็ม ระดับภาษา ถามว่าทรานสคริปต์กวางตุ้งควรรักษาคำพูดแบบภาษาพูดไว้หรือให้อ่านเหมือนภาษาจีนเขียนมาตรฐาน สิ่งเหล่านี้เป็นข้อกำหนดของผลลัพธ์ที่ต่างกัน แม้บริการจะรวมไว้ในค่าเดียวก็ตาม
การเรียบเรียงใหม่แบบเป็นทางการอาจเหมาะกับบันทึกการประชุม แต่ไม่อาจใช้แทนคำพูดตามต้นฉบับได้โดยไม่ตรวจสอบกับการบันทึกเสียง สำหรับการสัมภาษณ์ บันทึกทางกฎหมาย หรือทรานสคริปต์เพื่อการวิจัย ให้ขอตัวอย่างที่คงถ้อยคำตามที่คุณต้องการ และเก็บไฟล์เสียงต้นฉบับไว้สำหรับตรวจทาน
ป้ายกำกับเบนช์มาร์กกวางตุ้งอาจซ่อนอะไรไว้บ้าง
การตรวจสอบชุดข้อมูล ACL 2025 จัดประเภท พรอมต์ที่เป็นข้อความ ที่แนบมากับชุดย่อยเสียงที่ติดป้ายว่าเป็นกวางตุ้ง ตารางที่ 5 พบความแตกต่างชัดเจนระหว่าง Common Voice 17.0 yue และ FLEURS yue_hk:
| ข้อความพรอมต์ | ภาษาจีนเขียนมาตรฐาน | กวางตุ้งเขียนแบบภาษาพูด | ไม่ระบุ |
|---|---|---|---|
Common Voice 17.0 yue | 0.1% | 75.7% | 24.1% |
FLEURS yue_hk | 89.8% | 0% | 10.2% |
เปอร์เซ็นต์เหล่านี้จัดประเภทข้อความพรอมต์ ไม่ใช่ภาษาพูดของแต่ละการบันทึกเสียง Common Voice ยังมีหมวดผสมขนาดเล็กซึ่งละไว้จากตารางนี้ด้วย
บทความนี้ชี้ว่า FLEURS yue_hk อาจติดป้ายผิด เพราะพรอมต์ส่วนใหญ่ใช้ภาษาจีนเขียนมาตรฐาน นั่น ไม่ได้พิสูจน์ว่าไม่มีผู้พูดคนใดออกเสียงการบันทึกเป็นกวางตุ้ง แต่หมายความว่าป้ายกำกับเพียงอย่างเดียวไม่เพียงพอเป็นหลักฐานสำหรับการอ้างว่าถอดเสียงกวางตุ้งแบบภาษาพูดได้ ถามว่าชุดเบนช์มาร์กของผู้ให้บริการใช้พรอมต์ที่อ่านออกเสียง การพูดแบบสนทนา หรือโดเมนเป้าหมายของคุณ
การศึกษา LREC 2022 ว่าด้วยชุดข้อมูลกวางตุ้ง อีกชิ้นพบอัตราความผิดพลาดระดับตัวอักษร 10.15% เมื่อทดสอบโมเดลที่ฝึกบนคลังข้อมูล MDCC ของตนกับ MDCC แต่เป็น 83.42% เมื่อทดสอบโมเดลเดียวกันกับ Common Voice zh-HK นี่เป็นผลลัพธ์ของสถาปัตยกรรมหนึ่งและชุดทดสอบสองชุด ไม่ใช่อัตราความผิดพลาดของกวางตุ้งแบบสากล บทเรียนเชิงปฏิบัติคือให้ทดสอบสำเนียง ไมโครโฟน และรูปแบบการพูดของคุณ
การศึกษา ASR หลายภาษาถิ่นปี 2026 2026 ก็รายงานผลลัพธ์ที่ต่างกันบนแมนดารินและชุดทดสอบภาษาถิ่นของมันเช่นกัน แต่ตัวเลขเหล่านั้นไม่สามารถนำมาเปรียบเทียบโดยตรงกับการทดลองกวางตุ้งปี 2022 ได้ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับเมตริกความผิดพลาด ดู การเปรียบเทียบความแม่นยำของการถอดเสียงด้วย AI ของเรา
อ่านรหัสภาษาให้เป็นคำมั่นเฉพาะโมเดล
Google Cloud Speech-to-Text แสดงรหัสต่าง ๆ เช่น cmn-Hans-CN สำหรับแมนดารินตัวย่อ cmn-Hant-TW สำหรับแมนดารินตัวเต็ม และ yue-Hant-HK สำหรับกวางตุ้งตัวเต็ม รหัสเหล่านี้รวมภาษาพูด อักษร และภูมิภาคไว้ด้วยกัน โมเดลรู้จำเสียงที่รองรับแต่ละรหัสก็แตกต่างกันไปตามตำแหน่งที่ใช้งานด้วย
รายการโมเดลของ Deepgram ระบุว่ากวางตุ้งตัวเต็มเป็น zh-HK สำหรับ Nova-3 พร้อมตัวเลือกแมนดารินตัวย่อและตัวเต็ม รายการภาษาของ Flux STT ไม่รวมภาษาจีน ภาษาที่แสดงสำหรับโมเดลหนึ่งไม่ควรถูกสันนิษฐานว่าจะใช้ได้กับอีกโมเดลหนึ่ง
ไม่มีรายการรหัสใดบอกคุณได้ว่ากวางตุ้งแบบภาษาพูดจะถูกทำให้เป็นร้อยแก้วทางการหรือไม่ ขอให้ส่งตัวอย่างสั้น ๆ ในอักษรและระดับภาษาที่ต้องการ หากผู้ให้บริการตอบคำถามเรื่องระดับภาษาไม่ได้ ให้เปรียบเทียบตัวอย่างทีละบรรทัดกับเสียง
เปรียบเทียบบริการ ไม่ใช่แค่อัตราที่พาดหัว
ณ เดือนตุลาคม 2026 หน้า Chinese Scribe ของ ElevenLabs ระบุราคา $0.40 ต่อชั่วโมงเสียง ขณะที่หน้า ภาษาจีนของ GoTranscript โฆษณาการถอดเสียงโดยมนุษย์เริ่มต้นที่ $1.02 ต่อนาที นี่เป็นราคาเริ่มต้นสำหรับขอบเขตงานที่ต่างกัน ไม่ใช่ใบเสนอราคาที่เทียบเท่ากัน บริการโดยมนุษย์โฆษณาว่ารองรับทั้งแมนดารินและกวางตุ้ง ส่งมอบได้ทั้งตัวย่อหรือตัวเต็ม และมีการปรับให้เข้ากับท้องถิ่นเป็นตัวเลือก ตรวจสอบอัตราปัจจุบัน ส่วนเสริม และผลลัพธ์ที่ต้องส่งมอบให้ชัดก่อนสั่งงาน
ตัวเลขเบนช์มาร์กก็ต้องระมัดระวังเช่นกัน การเปรียบเทียบหลายภาษาที่ดำเนินการโดยผู้ขายของ AssemblyAI แสดงคอลัมน์ภาษาจีนเพียงคอลัมน์เดียว แทนที่จะเป็นแถวแยกสำหรับแมนดารินและกวางตุ้ง นี่เป็นภาพรวมของระบบและชุดข้อมูลที่ทดสอบ ไม่ใช่หลักฐานว่าทำงานได้ดีบนบทสัมภาษณ์กวางตุ้งของคุณ ถามว่าเวอร์ชันโมเดล ชุดย่อยภาษา และวิธีคำนวณอัตราความผิดพลาดระดับตัวอักษรใดที่ทำให้ได้คะแนนที่อ้างถึง
สำหรับการสลับระหว่างแมนดารินกับอังกฤษ ให้สร้างตัวอย่างสองภาษาด้วย ISCSLP 2022 Chinese-English challenge รายงานอัตราความผิดพลาดของการผสม 16.70% สำหรับระบบที่ชนะ เทียบกับค่าเริ่มต้นของการแข่งขันที่ 26.50% ผลลัพธ์ที่ควบคุมเช่นนี้ไม่อาจทำนายทุกการประชุมได้ แต่แสดงให้เห็นว่าทำไมเดโมภาษาเดียวจึงเป็นการทดสอบการซื้อที่ไม่ครบถ้วน
การทดสอบเสียงภาษาจีนเป็นข้อความ 4 ขั้นตอน
- ระบุภาษาพูด บันทึกว่าแหล่งเสียงเป็นแมนดาริน กวางตุ้ง ภาษาอื่น หรือผสมกับอังกฤษ เลือกรหัสที่รองรับอย่างชัดเจนเมื่อโมเดลมีให้
- ระบุผลลัพธ์ ระบุว่าจะใช้ตัวอักษรตัวย่อหรือตัวเต็ม และทรานสคริปต์ต้องคงถ้อยคำแบบสนทนาไว้หรือไม่
- ทดสอบเสียงที่เป็นตัวแทน ใส่สำเนียงจริง เสียงรบกวนพื้นหลัง ชื่อเฉพาะ และการสลับภาษา ตรวจทานผลลัพธ์ควบคู่กับการบันทึกเสียง
- เก็บเส้นทางสำหรับการตรวจทาน บันทึกเสียง เก็บเอกสารโมเดลและการตั้งค่า และกันงบสำหรับการตรวจทานโดยมนุษย์เมื่อถ้อยคำที่แม่นยำมีความสำคัญ
คำบรรยายสดและทรานสคริปต์สำหรับเก็บถาวรมีเกณฑ์ความสำเร็จต่างกัน ดู การถอดเสียงแบบเรียลไทม์เทียบกับเสียงที่บันทึกไว้ สำหรับตัวเลือกเวิร์กโฟลว์นั้น หากเป้าหมายคือข้อความภาษาจีนที่แปลจากภาษาพูดอื่น ให้ใช้เวิร์กโฟลว์การแปลเสียง เช่น คู่มือเครื่องมือแปลภาษาอาหรับเป็นภาษาจีน ของเรา
MirrorCaption เหมาะตรงไหน
MirrorCaption แสดงตัวเลือกภาษาจีนเพียงหนึ่งตัวเลือกในปัจจุบัน ไม่มีตัวเลือกกวางตุ้งแยกต่างหากหรือการควบคุมอักษรตัวย่อ/ตัวเต็ม และเราไม่เผยแพร่อัตราความผิดพลาดระดับตัวอักษรสำหรับภาษาจีนของผลิตภัณฑ์นี้ การอัปโหลดการบันทึกเสียงจะใช้ภาษาต้นทางที่เลือกไว้หนึ่งภาษา ต่อหนึ่งไฟล์ ใช้บริการที่มีการควบคุมชัดเจนและมีการตรวจทานโดยมนุษย์เมื่องานของคุณต้องการบันทึกกวางตุ้งที่รับรองได้หรือถอดตามคำพูดจริง
สำหรับการสนทนาแมนดาริน-อังกฤษแบบสด MirrorCaption สามารถแสดงคำพูดต้นฉบับเคียงข้างคำแปลขณะที่ผู้คนกำลังพูด ลองใช้กับตัวอย่างของคุณเองเพื่อดูว่าสิ่งนี้มีประโยชน์ต่อการประชุมหรือไม่; มันไม่ใช่ตัวแทนของทรานสคริปต์ถาวรที่ผ่านการตรวจทานแล้ว
ลองใช้ MirrorCaption ฟรี
ดูคำบรรยายภาษาจีนและอังกฤษแบบสดเคียงข้างกันบนบทสนทนาที่เป็นตัวแทน หนึ่งชั่วโมงฟรีสำหรับทดลองใช้ แบบครั้งเดียว โดยไม่ต้องใช้บัตรเครดิต
เริ่มต้นฟรีคำถามที่พบบ่อย
การถอดเสียงกวางตุ้งแม่นยำเท่าแมนดารินหรือไม่?
ไม่มีตัวเลขความแม่นยำเดียวที่เทียบกันได้ การศึกษากวางตุ้งปี 2022 แสดงให้เห็นว่าโมเดลหนึ่งเปลี่ยนจากอัตราความผิดพลาดระดับตัวอักษร 10.15% บนชุดทดสอบของตัวเองไปเป็น 83.42% บนคลังข้อมูลอีกชุดหนึ่ง ทดสอบเสียงชนิดเดียวกับที่คุณวางแผนจะถอดเสียง
ซอฟต์แวร์ถอดเสียงแยกแมนดารินกับกวางตุ้งได้อัตโนมัติไหม?
การตรวจจับขึ้นอยู่กับโมเดลและการบันทึกเสียง Google Cloud ระบุกวางตุ้งเป็น yue-Hant-HK; Deepgram Nova-3 ระบุเป็น zh-HK เลือกภาษาพูดที่ชัดเจนเมื่อมีให้ และทดสอบตัวอย่าง
ทรานสคริปต์ภาษาจีนจะออกมาเป็นตัวอักษรตัวย่อหรือตัวเต็ม?
ขึ้นอยู่กับบริการและโมเดล รหัสภาษาที่มีเอกสารบางรายการรวมอักษรเข้ากับภาษาพูดและภูมิภาค ยืนยันผลลัพธ์จริงก่อนส่งงานจำนวนมาก
เครื่องมือจัดการกับการประชุมที่ผสมภาษาจีนและอังกฤษอย่างไร?
ใช้การบันทึกที่เป็นตัวแทนซึ่งมีการสลับภาษาและชื่อเฉพาะ การแข่งขัน ISCSLP 2022 รายงานอัตราความผิดพลาดของการผสม 16.70% สำหรับระบบที่ชนะบนชุดทดสอบของตัวเอง ซึ่งเป็นเครื่องเตือนให้ทดสอบเสียงสองภาษาโดยตรง
MirrorCaption ให้ฉันเลือกภาษาพูดและอักษรจีนได้ไหม?
ไม่ได้ MirrorCaption ปัจจุบันมีตัวเลือกภาษาจีนเพียงหนึ่งตัวเลือก โดยไม่มีการควบคุมกวางตุ้งหรืออักษรแยกต่างหาก เราไม่ได้เผยแพร่เกณฑ์ความแม่นยำภาษาจีนของเราเอง