日文轉錄會將語音轉成日文文字。如果你正在比較語音轉文字工具,請先看評分方法與測試中使用的音訊類型。朗讀句子的低錯誤率,並不能告訴你工具如何處理會議、訪談、專有名詞或地方口音。
日文轉錄有別於日文翻譯成英文,也不同於把日文羅馬化成拉丁字母。日本的2025 羅馬化指引是針對後者;它不會改變語音辨識準確度。本指南涵蓋日文音訊轉成日文文字,以及評估它的實用方法。
重點摘要
- 日文語音辨識通常以字元錯誤率(CER)計分。字錯誤率(WER)需要日文斷詞器,因此要用相同標準比較。
- 2023 年語音辨識研究在允許合理的替代拼寫後,將 CER 降低了 2.4 到 3.1 個百分點。其 25.16% 的結果,是某個語音搜尋資料集上的相對錯誤率下降,並不是所有錯誤中有多少是有效的。
- 來自2022 年多方言研究系統的方言結果顯示,為什麼你應該測試自己真正需要的語言變體。它們不是商用工具的預測。
- MirrorCaption 提供日文轉錄,但未公布日文 CER,也不會匯出帶時間軸的 SRT 或 VTT 檔案。
為什麼日文基準測試使用 CER
書面日文的普通詞語之間沒有空格。要計算 WER,評估者必須先在參考文本與轉錄稿中決定詞邊界;即使讀者理解的是同一句話,不同的斷詞方式也可能造成不一致。CER 比較字元,因此避開了這個斷詞步驟。Karita、Sproat 與 Ishikawa 的論文同時報告了這兩種指標,並說明了這項限制。
CER 仍然是相對於參考文本的編輯距離分數。5% 的 CER 與 5% 的 WER 分母不同。兩者都不能保證你的音訊有「95% 準確」。當供應商公布日文百分比時,請詢問是哪個指標、正規化方式、模型版本與測試集產生的結果。例如,ElevenLabs 公布的是日文 WER,而AssemblyAI 的多語言表格將日文標示為 CER;這些數字不能直接比較。
替代拼寫會如何改變分數
日文對某些詞允許不只一種慣用拼寫。固定的參考文本可能會把合理的漢字或假名選擇標成錯誤。2023 年研究建立了參考轉錄中合理改寫的網路圖,並將同一個辨識器與原始參考及擴充參考進行比較。在三個研究領域中,CER 下降了 2.4 到 3.1 個百分點;在其語音搜尋資料集上,降幅為相對於原始錯誤率的 25.16%。辨識器本身並沒有變好。
三位受過訓練的評審檢視了該研究 YouTube 領域提出的 913 個拼寫變體。他們判定 95.4% 是合理的,且 16%「很棒」或比原始措辭更好。這些是對所提變體的評分,不代表引擎的 95.4% 錯誤都無害。論文也指出,文體與語域會影響哪種拼寫適合特定情境。若是你要發布的轉錄稿,請自行檢查人名、技術術語與預期的書寫風格。
如何在同一任務上比較引擎
如果供應商基準測試有揭露測試音訊、評分方法、模型版本與執行日期,就很有參考價值。例如,AssemblyAI 目前的基準測試將多語言 FLEURS 與 Common Voice 分開,並說明其正規化方式。其結果與模型清單會變動,因此複製來的排名很快就會過時;而且它同時也是基準測試的營運者與參與者。可先用公開表格挑選候選工具,再用你自己工作內容中的相同片段測試它們。
- 挑選一段短的、已取得同意的樣本,包含你在正式使用時預期會出現的麥克風、環境噪音、說話者與方言。
- 撰寫參考轉錄稿,包含你實際需要的人名與領域術語拼寫。
- 用同一個檔案執行每個候選工具,並記錄其模型、設定、輸出格式與處理時間。
- 將會改變意思的詞語與遺漏,和可接受的假名或漢字變體分開檢視。對有爭議的片段保留原始音訊可供比對。
我們的轉錄工具比較涵蓋更廣泛的跨工具測試。本日文指南則聚焦於:在你閱讀排名之前,為什麼評分單位與拼寫政策很重要。
方言與混合語言錄音
在Imaizumi 與同事於 2022 年的研究中,一個只用標準日文訓練的研究模型,在他們的方言測試上得到 52.5% CER,在標準測試上得到 14.3%。把那個傳統模型同時用兩種語音訓練後,方言 CER 降到 8.0%,而標準 CER 變為 14.9%。作者也測試了具方言感知的方法,其中一種同時改善了兩組結果。這些數字描述的是他們的資料集與系統;它們不是 MirrorCaption、關西腔,或任何地區變體的測量結果。
如果錄音包含地方口音,請在評估中直接抽樣那段語音,不要只依賴「支援日文」這種泛用標籤。若錄音在日文與英文之間切換,請測試切換點,並檢查每個片段是用哪種語言寫成的。語言提示或單一選定來源語言,並不能證明它能可靠地處理語碼轉換。請參考我們的多語音訊轉錄指南,了解語言支援與自動語言偵測的差異。
MirrorCaption 為日文提供什麼
日文是 MirrorCaption 即時轉錄與檔案轉錄可選的語言。即時工作階段會在語音進行時串流文字;檔案轉錄則會回傳非同步結果。可選翻譯是與日文轉錄分開的步驟。請參考即時與檔案轉錄來選擇工作流程。
- 已公布的準確度:我們尚未公布日文 CER 基準。請先測試你自己的音訊,再決定是否依賴輸出結果。
- 方言與拼寫控制:沒有日文方言、振假名、羅馬字或輸出文字系統的選擇器。請自行檢查回傳的漢字、平假名、片假名與專有名詞。
- 匯出:工作階段轉錄稿可匯出為 Markdown、純文字或 JSON。MirrorCaption 目前不會匯出帶時間軸的 SRT 或 VTT 字幕檔。
- 混合音訊:檔案流程會把所選來源語言當作提示。請手動檢查雙語片段;不要假設整段錄音都會被正確依語言切分。
- 正式用途:輸出內容不是經認證或宣誓的轉錄稿。在法律或受監管的申報前,請先確認接收機構的要求。
符合資格的新帳號可以試用免費轉錄額度。目前的付費方案與包含時數列在價格頁面;購買前請先查看,因為方案細節可能會變動。
常見問題
為什麼日文語音轉文字基準測試使用 CER?
日文通常沒有詞與詞之間的空格,因此 WER 需要先做斷詞選擇,這會影響分數。CER 則是在不先斷詞的情況下比較字元。兩者仍然都取決於參考文本與正規化規則。
25.16% 的研究結果是否表示四分之一的轉錄錯誤都無害?
不是。在某個語音搜尋測試集上,2023 年研究透過允許合理的替代拼寫,將 CER 相對於原始分數降低了 25.16%。這個結果不能直接套用為不同模型、資料集或錄音中的錯誤比例。
日文轉錄可以處理地方方言嗎?
這取決於語音與模型。2022 年的一項研究發現,在他們自己的資料集上,只用標準語訓練與納入方言訓練之間有很大差異。請測試你實際的方言並檢查轉錄稿;MirrorCaption 沒有方言選擇器,也沒有公布方言基準。
MirrorCaption 會輸出漢字、平假名還是羅馬字?
它會輸出日文文字,但沒有文字系統選擇器。預期會是正常的混合日文書寫,並請檢查人名與專業術語。MirrorCaption 沒有振假名或羅馬字輸出設定。
我可以把日文字幕匯出成 SRT 或 VTT 嗎?
MirrorCaption 會匯出轉錄文字與 JSON,但目前不會匯出帶時間軸的 SRT 或 VTT。如果你需要成品影片的時間軸字幕,請使用字幕編輯器。
如果我的錄音在日文與英文之間切換怎麼辦?
請在具代表性的檔案上測試切換點,並檢查每個語言片段。將日文作為檔案語言提示,並不能保證語碼轉換準確。