中文转写首先是采购问题,其次才是文件上传。要问模型处理哪一种口语变体、输出哪一种书写系统,以及结果是保留口语,还是规范化为正式的书面中文。单一的“中文”设置可能会把这些决定都留成隐含项。
要点总结
- 粤语标签并不能证明测试集代表的是会话式粤语。ACL 2025 的一项审计发现,FLEURS
yue_hk中 89.8% 的文本提示是标准书面中文。 - 在一项 2022 年研究中,一个粤语模型在其自有测试集上的字错误率为 10.15%,而在另一粤语语料上则为 83.42%。评分必须结合数据集和录音语境来看。
- Google Cloud 和 Deepgram 提供了不同的、针对模型的中文代码。请用你的实际模型确认语种变体和输出书写系统。
- 对于引语或记录,请保留音频,并先拿一份有代表性的转写与之核对,再处理整批内容。
中文转写有三项彼此独立的要求
口语变体告诉识别系统要预期哪种语音。普通话和粤语需要分别评估;接受通用中文代码的模型,未必能对两者给出相同结果。书写系统则是问输出应使用简体字还是繁体字。语体则是问粤语转写应保留口语措辞,还是读起来像标准书面中文。即使某项服务把它们合并到一个设置里,这些也仍然是不同的交付要求。
正式改写也许适合会议纪要,但若不核对录音,就不能拿来当逐字引语。对于访谈、法律记录或研究转写,请索取一份能保留你所需措辞的样本,并保留源音频以便复核。
粤语基准标签可能隐藏什么
ACL 2025 数据集审计对带有粤语标签的语音子集所附的书面提示进行了分类。其表 5 发现 Common Voice 17.0 yue 与 FLEURS yue_hk 之间存在明显差异:
| 文本提示 | 标准书面中文 | 书面口语粤语 | 未标注 |
|---|---|---|---|
Common Voice 17.0 yue | 0.1% | 75.7% | 24.1% |
FLEURS yue_hk | 89.8% | 0% | 10.2% |
这些百分比分类的是文本提示,而不是单条录音的口语变体。Common Voice 还有一个较小的混合类别,未纳入此表。
论文指出,FLEURS yue_hk 可能被误标,因为其提示大多使用标准书面中文。这并不能证明没有说话者用粤语朗读这些录音。它的意思是,仅凭标签不足以支持“口语粤语转写”这一说法。要问供应商的基准使用的是朗读提示、会话语音,还是你的目标领域。
另一项LREC 2022 粤语数据集研究发现,当一个在其 MDCC 语料上训练的模型在 MDCC 上测试时,字错误率为 10.15%;但同一模型在 Common Voice zh-HK 上测试时,字错误率为 83.42%。这只是某一架构和两个测试集的结果,不是通用的粤语错误率。实际经验是要测试你的口音、麦克风和说话风格。
一项2026 年多方言 ASR 研究同样报告了普通话及其方言测试集上的不同结果,但这些数字不能与 2022 年的粤语实验直接比较。关于错误指标的更多内容,请参见我们的AI 转写准确率比较。
把语言代码当作针对模型的承诺来读
Google Cloud Speech-to-Text 列出了包括 cmn-Hans-CN(简体普通话)、cmn-Hant-TW(繁体普通话)和 yue-Hant-HK(繁体粤语)在内的代码。这些代码把语种变体、书写系统和地区打包在一起。哪些识别模型支持每个代码,也会因地区而异。
Deepgram 的模型列表将粤语繁体标为 Nova-3 的 zh-HK,同时也提供简体和繁体普通话选项。其 Flux STT 语言列表不包含中文。某个模型中显示的语言,绝不能想当然地认为在另一个模型里也可用。
这两份代码列表都不会告诉你,口语粤语是否会被规范化为正式散文。请索取一段符合目标书写系统和语体的短样本。如果供应商无法回答语体问题,就把样本逐行与音频对照。
比较服务,而不只是标价
截至 2026 年 10 月,ElevenLabs 的 Chinese Scribe 页面标价为每音频小时 $0.40,而 GoTranscript 的中文页面则宣传人工转写起价为每分钟 $1.02。这些是不同范围的起始价格,不是可直接对等的报价。人工服务宣传支持普通话和粤语、简体或繁体交付,以及可选本地化。下单前请核实当前费率、附加项和确切交付物。
基准数字也需要同样谨慎。AssemblyAI 的供应商多语比较只给出一个中文列,而不是分别列出普通话和粤语。它只是所测试系统和数据集的快照,并不能证明其在你的粤语访谈中的表现。要问清楚是哪一个模型版本、哪一语言子集,以及用什么字错误率计算方式得出了所引用的分数。
对于普通话与英语切换,也要构建双语样本。ISCSLP 2022 中英挑战赛报告其获胜系统的混合错误率为 16.70%,而挑战赛基线为 26.50%。这个受控结果不能预测每一场会议,但它说明为什么单语演示并不是完整的采购测试。
四步中文音频转文本测试
- 识别语音。 记录源音频是普通话、粤语、其他变体,还是与英语混用。若模型提供明确支持的代码,就选择该代码。
- 指定输出。 说明要简体字还是繁体字,以及转写是否必须保留会话式措辞。
- 测试有代表性的音频。 包含真实口音、背景噪音、人名以及任何语言切换。将输出与录音并排检查。
- 保留复核路径。 保存音频,记录模型和设置,并在措辞必须精确时预留人工复核预算。
实时字幕和归档转写的成功标准不同。关于这一工作流选择,请参见实时与录制音频转写。如果目标是把另一种口语翻译成中文文本,请使用语音翻译工作流,例如我们的阿拉伯语到中文翻译指南。
MirrorCaption 在哪里适用
MirrorCaption 目前只显示一个中文语言选项。它不提供单独的粤语选项,也没有简体/繁体书写系统控制,而且我们没有为该产品发布中文字错误率。上传的录音每个文件只可选择一种源语言。当你的任务需要经过认证或逐字的粤语记录时,请使用带有明确控制和人工复核的服务。
对于实时普通话-英语对话,MirrorCaption 可以在对话进行时把原始语音与翻译并排显示。你可以用自己的样本试用,判断这是否对会议有用;它不能替代经过复核的归档转写。
常见问题
粤语转写的准确率和普通话一样高吗?
没有一个可直接比较的统一准确率数字。2022 年的一项粤语研究显示,同一模型在其自有测试集上的字错误率为 10.15%,而在另一语料上则为 83.42%。请测试你计划转写的同类音频。
转写软件能自动区分普通话和粤语吗?
识别取决于模型和录音。Google Cloud 将粤语列为 yue-Hant-HK;Deepgram Nova-3 将其列为 zh-HK。在可用时请选择明确的语种变体,并测试样本。
中文转写会输出简体字还是繁体字?
这取决于服务和模型。一些已记录的语言代码把书写系统与语种变体和地区打包在一起。提交大批量之前,请先确认实际输出。
工具如何处理中英混合的会议?
请使用包含语言切换和人名的有代表性录音。ISCSLP 2022 挑战赛报告其获胜系统在自有测试集上的混合错误率为 16.70%,这提醒我们要直接测试双语音频。
MirrorCaption 允许我选择中文语种变体和书写系统吗?
不允许。MirrorCaption 目前只提供一个中文语言选项,没有单独的粤语或书写系统控制。我们也不发布自己的中文准确率基准。