中文轉錄在上傳檔案之前,先是一個採購問題。請確認模型處理的是哪一種口語變體、輸出的是哪一種文字系統,以及結果是保留口語,還是正規化成正式的書面中文。單一的「中文」設定可能會把這些決定含糊帶過。
重點摘要
- 標示為粵語,不代表測試集就真的反映日常對話粵語。ACL 2025 的一項稽核發現,FLEURS
yue_hk中 89.8% 的 文字提示其實是標準書面中文。 - 在一項 2022 年研究中,某粵語模型在自己的測試集上字元錯誤率為 10.15%,但在另一個粵語語料上卻是 83.42%。分數必須搭配資料集與錄音情境一起看。
- Google Cloud 和 Deepgram 提供不同的、依模型而定的中文代碼。請用你實際的模型確認語言變體與輸出文字系統。
- 若是引言或紀錄,請保留音訊,並先拿一份具代表性的轉錄稿對照檢查,再處理整批資料。
中文轉錄有三項彼此獨立的需求
口語變體告訴辨識系統要預期哪一種語音。普通話和粵語需要分開評估;接受通用中文代碼的模型,未必對兩者給出相同結果。文字系統則是在問輸出應使用簡體字還是繁體字。語體則是在問粵語轉錄應保留口語用詞,還是讀起來像標準書面中文。即使某項服務把它們合併成一個設定,這些仍是不同的交付需求。
正式改寫也許適合會議紀錄,但若不核對錄音,就不能拿來當逐字引言。若是訪談、法律紀錄或研究轉錄,請要求一份能保留你所需措辭的樣本,並保留原始音訊以便查核。
粵語基準標籤可能掩蓋什麼
一項 ACL 2025 資料集稽核將附加在標示為粵語的語音子集上的書面提示進行分類。其表 5 顯示 Common Voice 17.0 yue 與 FLEURS yue_hk 之間有明顯差異:
| 文字提示 | 標準書面中文 | 書面口語粵語 | 未標示 |
|---|---|---|---|
Common Voice 17.0 yue | 0.1% | 75.7% | 24.1% |
FLEURS yue_hk | 89.8% | 0% | 10.2% |
這些百分比分類的是文字提示,不是單筆錄音的口語變體。Common Voice 也有一個小型混合類別,未列入此表。
該論文指出,FLEURS yue_hk 可能被錯標,因為其提示大多使用標準書面中文。這不代表沒有任何說話者以粵語錄下這些內容。它的意思是,僅靠標籤不足以證明這是口語粵語轉錄。請詢問供應商的基準是使用朗讀提示、對話語音,還是你的目標領域。
另一項 LREC 2022 粵語資料集研究發現,當模型在其 MDCC 語料上訓練並在 MDCC 上測試時,字元錯誤率為 10.15%;但同一模型在 Common Voice zh-HK 上測試時則為 83.42%。這是針對一種架構與兩個測試集的結果,不是通用的粵語錯誤率。實務上的教訓是,要測試你的口音、麥克風與說話風格。
一項 2026 多方言 ASR 研究同樣報告了普通話及其方言測試集上的不同結果,但那些數字不能直接與 2022 年的粵語實驗相比。若想了解更多錯誤指標,請參閱我們的 AI 轉錄準確度比較。
把語言代碼視為模型專屬承諾
Google Cloud Speech-to-Text列出包含 cmn-Hans-CN(簡體中文普通話)、cmn-Hant-TW(繁體中文普通話)與 yue-Hant-HK(繁體粵語)等代碼。這些代碼把語言變體、文字系統與地區綁在一起。每個代碼支援哪些辨識模型,也會因地區而異。
Deepgram 的模型清單將粵語繁體標示為 Nova-3 的 zh-HK,同時也列出簡體與繁體普通話選項。其 Flux STT 語言清單則不包含中文。某個模型上顯示的語言,絕不能假設在另一個模型也能用。
這兩份代碼清單都沒有告訴你,口語粵語是否會被正規化成正式散文。請索取一段符合預期文字系統與語體的短樣本。如果供應商無法回答語體問題,就逐行把樣本與音訊對照。
比較服務,不只看標示費率
截至 2026 年 10 月,ElevenLabs 的 Chinese Scribe 頁面標示每音訊小時 $0.40,而 GoTranscript 的中文頁面則宣傳人工轉錄每分鐘 $1.02 起。這些是不同範圍的起始價格,不能直接視為等價報價。人工服務宣稱支援普通話與粵語、簡體或繁體交付,以及可選在地化。下單前請確認最新費率、加購項目與確切交付內容。
基準數字也需要同樣謹慎。AssemblyAI 的供應商自辦多語比較只提供一欄中文,而不是分開列出普通話與粵語。那只是受測系統與資料集的快照,不能證明它在你的粵語訪談上也有同樣表現。請詢問報出的分數是由哪個模型版本、哪個語言子集,以及哪種字元錯誤率計算方式產生的。
若有普通話與英語切換,也要建立雙語樣本。ISCSLP 2022 中英挑戰賽報告其冠軍系統的混合錯誤率為 16.70%,而挑戰賽基準為 26.50%。這個受控結果無法預測每一場會議,但它說明了為什麼單語示範不是完整的採購測試。
四步驟中文音訊轉文字測試
- 辨識語音。 記錄來源是普通話、粵語、其他變體,或與英語混用。若模型提供明確支援代碼,請選擇該代碼。
- 指定輸出。 說明要簡體字或繁體字,以及轉錄稿是否必須保留口語措辭。
- 測試具代表性的音訊。 納入口音、背景噪音、人名與任何語言切換。將輸出與錄音並排檢查。
- 保留審核流程。 儲存音訊、記錄模型與設定,若精確措辭很重要,請預留人工審核預算。
即時字幕與歸檔轉錄有不同的成功標準。關於這個工作流程選擇,請參閱即時與錄音轉錄比較。如果目標是把其他口語語言翻成中文文字,請使用語音翻譯流程,例如我們的 阿拉伯文轉中文翻譯指南。
MirrorCaption 的定位
MirrorCaption 目前只提供一個中文語言選項。它沒有獨立的粵語選項,也沒有簡體/繁體文字控制,而且我們也沒有為這項產品公布中文字元錯誤率。上傳的錄音每個檔案只會套用一個所選來源語言。若你的工作需要經認證或逐字的粵語紀錄,請使用具明確控制與人工審核的服務。
若是即時的普通話與英語對話,MirrorCaption 可以在對話進行時,把原文語音與翻譯並列顯示。你可以用自己的樣本試試看,判斷這是否適合你的會議;但它不能取代經審核的歸檔轉錄稿。
常見問題
粵語轉錄的準確度和普通話一樣嗎?
沒有單一可直接比較的準確度數字。2022 年的粵語研究顯示,某模型在自己的測試集上字元錯誤率為 10.15%,但在另一個語料上卻升到 83.42%。請測試你打算轉錄的同類音訊。
轉錄軟體能自動分辨普通話和粵語嗎?
辨識結果取決於模型與錄音。Google Cloud將粵語列為 yue-Hant-HK;Deepgram Nova-3則列為 zh-HK。若可選,請明確指定語言變體,並測試樣本。
中文轉錄稿會是簡體字還是繁體字?
這取決於服務與模型。有些已文件化的語言代碼會把文字系統與語言變體及地區綁在一起。提交大量資料前,請先確認實際輸出。
工具如何處理混有中文和英文的會議?
請使用包含語言切換與人名的具代表性錄音。ISCSLP 2022 挑戰賽報告其冠軍系統在自己的測試集上混合錯誤率為 16.70%,這提醒我們要直接測試雙語音訊。
MirrorCaption 讓我選擇中文變體和文字系統嗎?
不行。MirrorCaption 目前只提供一個中文語言選項,沒有獨立的粵語或文字系統控制。我們也沒有公布自己的中文準確度基準。