語音引擎可能能辨識跨多段錄音中的數十種語言，但當同一位說話者在句子中途切換語言時，仍可能表現吃力。對於多語音訊轉錄，請問三個不同的問題：模型能辨識哪些語言、它如何選擇語言，以及它是否能保留同一段錄音中的切換？ 單一宣稱的語言數量無法回答這三個問題。
本指南比較特定模型設定的文件化行為，並提供一個能找出漏掉切換的簡短測試。若要更全面比較即時與錄音工具，請參考我們的 多語音轉錄指南。
- 語言涵蓋範圍是模型支援的語言集合。這不代表每一種組合都能在同一個檔案中正常運作。
- 自動語言偵測可以從候選語言中選出最適合的語言，而不必轉錄每一種被說出的語言。
- 代碼切換是指在轉錄稿中保留語言變化，包括句子內的變化。請確認確切的模型與設定。
- 請在你自己的錄音中測量每個切換點的輸出；供應商的基準測試無法取代這項檢查。
要詢問的三項規格
涵蓋範圍回答模型是否完全支援某種語言。偵測回答它如何在請求的可能語言之間做選擇。代碼切換回答它是否能跟上該請求內的變化。這些是不同的行為，而模型版本和供應商名稱同樣重要。
例如，Google Cloud Speech-to-Text 的自動語言辨識指南允許最多三種候選語言，並表示服務會從該清單中使用最適合的語言。這裡的三種是指可供選擇的候選項；並不保證三種語言都能在同一份轉錄稿中正確出現。Google 的頁面也將此功能限制在特定模型與地區。
模型文件實際寫了什麼
| 模型或設定 | 文件化行為 | 要測試的問題 |
|---|---|---|
| 開源 Whisper 預設轉錄 | 若未提供語言，會從前 30 秒內偵測一種語言，然後用該語言進行解碼。 | 當語言在檔案後段改變時會發生什麼事？ |
| Google Cloud Speech-to-Text V2 自動辨識 | 從最多三種候選語言中選出最適合的一種。這是語言選擇，不是公開的代碼切換保證。 | 輸出是否會在切換點保留兩種語言？ |
| AssemblyAI 代碼切換設定 | 其文件化的手動語言代碼設定最多接受兩個代碼，其中一個必須是英文；其自動代碼切換設定可偵測最多兩種。 | 你選擇的模型與語言配對是否涵蓋在此設定中？ |
| AssemblyAI Universal-3.5 Pro | 文件說明其可在 18 種支援語言之間原生進行代碼切換。18 指的是支援的集合，而不是每個檔案的明確上限。 | 你的片段中的所有語言是否都屬於這 18 種之中，以及切換的準確度如何？ |
| Deepgram Nova-2 多語言 | 文件化的多語言模式支援英文與西班牙文的代碼切換。 | 你的錄音是否使用這一組確切的語言配對與模式？ |
| Deepgram Nova-3 多語言 | Deepgram 文件說明使用 language=multi 可在十種語言的集合之間進行代碼切換。十種是模型的語言集合，而不是每段錄音可用語言數量的公開上限。 | 所設定的模式是否能保留你目標語言中的短暫切換？ |
這些列項描述的是不同類型的限制。不要把它們的數字當成在衡量同一件事而排序。特別是，Google 的候選數量，以及 Universal-3.5 Pro 和 Nova-3 的支援集合，不能作為每個檔案的上限來比較。OpenAI 的 託管檔案轉錄 API 也與上方連結的開源 Whisper 程式碼是不同產品；請獨立測試其目前模型。
如何測試混合語言錄音
- 製作參考片段。 用真實說話者錄製兩分鐘。包含每一種目標語言、數次切換、句子中途切換，以及對你的團隊重要的人名。
- 保留人工參考轉錄稿。 標記每一次語言變化與專有名詞，這樣你就能清楚看出漏掉了什麼。
- 使用完全相同的正式環境設定。 鎖定模型版本，並啟用供應商文件化的多語言或代碼切換模式。將請求設定與結果一併保存。
- 逐一檢查每個切換點。 留意是否有字詞遺漏、字詞被改寫成錯誤的文字系統、你要求轉錄卻變成翻譯，以及語言標籤落後於實際語音的情況。
- 用最難的一組語言重複測試。 只有在你的真實錄音中會出現那些條件時，才加入雜訊或第三種語言。將結果與同一份參考稿比較，並為有影響的用途安排人工審核。
供應商的準確率數字可能使用不同的語言、說話者與評分規則。這個流程能告訴你它的輸出是否適用於你的音訊。如果你的工作流程也需要翻譯，我們的 翻譯工具指南 會涵蓋那個獨立步驟。
MirrorCaption 的定位
MirrorCaption 的即時路徑是為對話中的字幕與翻譯而設計。現行用戶端會在啟用語言識別時傳送語言提示；單向翻譯可接受所設定服務支援的已偵測來源語言。自動偵測不會為不支援的語言增加支援。該設定並不是對每一種語言配對或每一次句中切換的量化保證。若要依賴它，請先用你的真實說話者進行即時工作階段測試。我們的 多語言客服中心指南 涵蓋即時工作流程。
目前的檔案上傳介面會傳送一個已選取的來源語言提示。不要從即時設定推論上傳錄音會得到相同的多語言處理。對於包含多種語言的完成錄音，請測試上傳結果；若它漏掉重要片段，請使用專門的代碼切換服務或人工審核。
每個新帳號都包含一次性的免費一小時，且不需信用卡。現行年度方案為每年 €54.99，可使用 110 小時；購買前請查看 目前價格。
常見問題
99 種語言的清單是否代表一段錄音可以包含全部 99 種？
不行。支援語言清單只告訴你模型能辨識哪些語言。請另外查看單一錄音中的自動偵測與代碼切換文件。
選擇三種候選語言是否等同於代碼切換？
不是。Google Cloud Speech-to-Text 文件說明其自動辨識會從最多三種候選語言中選出最適合的一種。這個設定並不保證會產生混合語言轉錄稿。
開源 Whisper 能自動跟隨語言切換嗎？
Whisper 的預設轉錄流程會使用前 30 秒內的內容偵測語言，並以該選擇進行解碼。不要假設它會在檔案中途自動切換；請測試混合語言片段，或刻意將其分段。
MirrorCaption 能處理多語言錄音嗎？
MirrorCaption 的即時工作階段會使用語言識別與語言提示。現行檔案上傳介面會傳送一個已選取的來源語言提示。若要依賴混合語言上傳輸出，請先測試具代表性的錄音。
讓模型證明它的說法
請針對你實際擁有的語言配對與工作流程選擇模型。查看它的代碼切換文件，保存確切設定，並測試包含真實切換點的片段。長長的語言清單只是起始篩選；轉錄稿本身才是購買證據。