廣東話語音轉文字實測：WER、中英夾雜、港式英文點樣測

一句答你：廣東話轉文字「準唔準」，唔係一條百分比咁簡單——同一個引擎，朗讀新聞可以近乎全對，一轉去中英夾雜嘅會議錄音就即刻見底。你需要的唔係一個廣告數字，而係一套你自己跑得返嘅測試。

市面上講「廣東話語音轉文字」嘅文章，九成都係工具清單：邊個免費、邊個有 app、邊個聲稱準確。但如果你真係要揀一個引擎放入公司流程——會議記錄、訪問整理、字幕、客服質檢——你其實要答一條更具體嘅問題：佢喺我嘅錄音上面，會錯啲乜？

呢篇唔會畀你「邊個最好」嘅答案（因為答案取決於你嘅錄音），而係畀你一套方法：8 類香港粵語難點、30 分鐘砌好嘅測試集、WER／CER 點計，同一個唔會自欺嘅評分表。你可以用同一套方法去測任何引擎，包括港嘢。

Key Takeaways

• 廣東話 ASR 嘅難度唔平均：中英夾雜、港式英文專名、數字單位三類佔咗大部分實務錯誤。
• 用朗讀稿測試會系統性高估準確度；自然對話先係真實場景。
• WER 要配 CER 同「意思錯誤清單」一齊睇，單一數字會誤導決策。
• 測試集唔使大：8 段 30–60 秒真實錄音已經足夠暴露引擎嘅結構性弱點。
• 引擎能力要連規格一齊睇：同步上限、長音檔支援、輸出格式、實時語義，缺一項就可能唔符合你嘅流程。
• 專有名詞要靠自訂詞彙（hotwords）補，唔係靠換引擎。

香港粵語 ASR 真正難嘅 8 個位

先講清楚「難」喺邊。唔同於英文 ASR，粵語嘅錯誤通常唔係「聽唔到」，而係「聽錯一個音，整句意思歪掉」。

呢 8 類唔係學術分類，係實務分類：你只要喺測試集入面每一類都放一兩個例子，引擎嘅強弱就會現形。

為何「中文」唔等於「粵語」

大廠雲端語音服務嘅官方語言清單一般都有粵語代碼（例如 yue-HK，見 Google Cloud 語音辨識語言清單同 Azure 語音服務語言支援，查閱日期 2026-10-25），所以「有冇支援粵語」呢條問題，今時今日已經唔算問題。真正嘅問題係：官方文件以「語言」為單位，唔會告訴你佢點處理同一個句子入面嘅語言切換。 中英夾雜、港式英文、語氣詞，全部落喺規格文件嘅空白位。呢啲位只能靠測試，唔可以靠讀 spec。

測試集點砌：30 分鐘就夠

唔需要幾百小時語料。你需要嘅係代表性，唔係數量。

第一步：抽 8 段真實錄音（每段 30–60 秒）

• 2 段會議（一段 3 人以上、一段兩人對話）
• 2 段訪問或訪談（有主持人插話）
• 1 段電話錄音（帶壓縮失真）
• 1 段現場環境音（有背景聲）
• 1 段朗讀稿（做對照組）
• 1 段你行業最常用嘅場景（例如醫療問診、法律會面、客服通話）

第二步：逐段人手標註 逐字打出真實講法（包括語氣詞同英文詞），唔好「順手修飾」成書面語。標註者要聽得明嗰個行業，否則你會把「聽唔明」誤判成「引擎錯」。

第三步：統一計分單位 一句一句對。英文詞當一個 token（project 係一個字，唔係七個字母）。數字統一寫法（「3,500」同「三千五」要事先揀定）。標點唔計分，另外記。

第四步：記錄環境 同一段錄音、同一個檔案格式、同一個語言設定，每次測試都一樣。錄音一改，之前嘅分數即刻冇比較價值。

唔好用朗讀稿代替自然對話。 朗讀稿語速穩定、停頓清晰、冇重疊發言，係最容易嘅情況。你嘅真實場景幾乎一定差過朗讀稿——用朗讀稿調出嚟嘅結論，會令你高估準確度，然後在真實會議上失望。

計分：WER、CER，同一個容易被忽略嘅維度

WER（Word Error Rate） = （替換 + 刪除 + 插入）÷ 正確詞數。概念簡單：錯幾多個詞，除以總詞數。

CER（Character Error Rate） 以字為單位。中文成日一個詞兩三個字，WER 對「詞邊界」嘅定義敏感；CER 對「字」敏感，數值通常較高但更穩定。兩個一齊報，唔好只報一個。

最容易被忽略嘅係第三個維度：意思錯誤。例如講者講「唔好出貨」，引擎出「好出貨」——字面只錯一個字，WER 影響極細，但意思反轉。所以測試表要另開一欄，人手標記「呢句錯咗會唔會影響判斷」。

一套唔會自欺嘅評分表

以下係建議嘅觀察框架。冇公開基準嘅門檻一律寫「建議觀察」，唔好自創一個百分比當標準。

建議做法：先跑一次 baseline，記低每一類錯幾多；然後只針對最痛嘅一兩類做改善（例如加詞庫），再跑同一測試集對比。每次只改一個變數，否則你唔知係邊個改動有效。

由公開規格睇引擎能力

測試之前，先睇規格——因為有啲限制係「測試幾多次都改唔到」嘅。

實時模式係另一個物種，語義要睇清楚：transcription.delta 係增量文字，append-only、單調遞增，大約每 2 秒一段，永遠唔會改寫已經發布嘅內容；transcription.done 係最終全文；done 一到，連線會喺 ≤6 秒內收線。意思係：你要自己處理「delta 拼接」同「done 之後以最終稿為準」兩件事，唔可以當佢係一個串流版檔案轉寫。

實時連線嘅語言 profile 有五個：auto-v1、yue-zh-en-mixed-v1（粵英混合）、yue-trad-v1、zh-cmn-v1、en-v1。傳錯 id 會直接以 close code 1008 invalid_profile 拒絕——呢個設計好，錯得明顯好過靜靜地轉錯語言。

實時 vs 檔案：點揀

同一個引擎，兩個模式嘅錯誤型態可以唔同：實時為咗延遲會用較短上下文，分段邊界亦可能有差。所以測試要分開跑，唔可以用檔案模式嘅分數代表實時模式。

專有名詞：加詞庫，唔係換引擎

大部分「引擎唔準」嘅個案，實際係「專有名詞唔喺引擎嘅常見詞彙入面」。呢個時候換引擎只會換一批錯法。

正確做法係準備一份小型詞表：只放真正會出現、又經常錯嘅專名（人名、公司名、產品代號、行話），唔好放常用詞——常用詞唔需要提示，放咗只會干擾。詞表嘅讀音依據要可靠：查字用中大粵語審音配詞字庫，拼音用香港語言學學會粵拼方案（兩個站都係免費查詢，查閱日期 2026-10-25）。港嘢嘅詞表上限係 50 個詞、單詞 ≤30 字、提示總長 ≤200 字，呢個數量其實夠應付一個團隊嘅核心專名；如果你有幾百個名要處理，正確做法係分行業／分項目開幾份詞表，而唔係塞爆一份。

三個最常見嘅錯評測法

錯法一：用普通話測試集套落粵語。 兩者嘅音系、詞彙、語序都唔同。用普通話句子測出嚟嘅分數，同你嘅香港會議錄音冇關係。

錯法二：只測朗讀稿。 前面講過：朗讀稿係最易嘅情況。你嘅真實場景有背景聲、有重疊發言、有懶音。用朗讀稿調參數，等於用練習題分數預測實戰。

錯法三：只看一段錄音、一個百分比。 單段錄音嘅結果變異極大：同一個引擎，一段可以 95%，另一段可以 70%。冇 8 段以上嘅分佈，你嘅結論只係運氣。

補一句：唔好拿別人文中嘅百分比直接比較。 唔同測試集、唔同標註規則、唔同音質，數字根本唔可比。你可以參考別人嘅方法，但結論要自己跑。

我哋嘅實測：邊啲數字未測，同你自己點測

我哋唔會喺呢篇貼一個「港嘢準確度 X%」嘅數字，因為冇公開、可重複嘅粵語測試集，任何單一百分比都係誤導。以下三項係我哋未跑過公開測試集嘅項目，所以暫時冇數字；但每項都係照上面嗰套方法就可以重跑嘅：

• 8 段標準測試集嘅 WER／CER 分佈（同一段錄音、同一個標註規則）。
• 中英夾雜句子嘅英文詞保留率（英文詞被錯寫成中文近音字嘅比例）。
• 加詞庫前後，專名錯誤數嘅變化（同一測試集，只改詞表一個變數）。

你可以用上面嘅方法自己跑一次；跑完之後，你手上嘅數字比任何文章嘅數字都有用，因為嗰個數字係嚟自你嘅錄音。

常見問題 FAQ

廣東話語音轉文字準唔準？

取決於錄音質素同場景。朗讀、安靜環境、標準發音會好很多；會議室收音、重疊發言、中英夾雜就會差。建議用本文方法自測 8 段，唔好靠單一廣告數字。

一個鐘嘅錄音要等幾耐？

同步檔案轉寫只處理 8 分鐘以內嘅音頻；超過就要用非同步任務（audio_url 上限 200 MB／4 小時），提交後即回 202，之後輪詢結果。實際等候時間受排隊同音檔長度影響。

中英夾雜真係轉到？

可以，但要揀啱語言設定。港嘢嘅實時模式有 yue-zh-en-mixed-v1 粵英混合 profile；檔案模式亦以廣東話為本處理中英夾雜。實際表現要用你自己嘅句子測——特別係港式英文讀音。

有冇得試？

可以喺港嘢嘅語音轉錄頁直接試：上載一段錄音或開麥克風即時聽寫。試完再決定要唔要接入 API。

可唔可以接入自己嘅系統？

可以。檔案轉寫、非同步任務、實時 WebSocket 三條路都有公開 API 文件，包括限額、錯誤碼同計費方式。

轉寫出嚟嘅稿要唔要大改？

多數情況要執兩樣：標點同分段，同專有名詞。逐字稿保真係好事（你可以追溯原話），但唔好期望佢直接變成對外文件——對外版本應該另外整理。

想用同一套方法測你嘅錄音？

拎你最頭痛嗰段會議錄音，上載去港嘢嘅語音轉錄頁，跑一次 baseline；再睇語音轉寫 API 文件了解限額同長音檔做法。之前未睇過產品上架公告嘅，可以補讀廣東話語音轉文字上架；想知錄音質素點影響結果，睇上載錄音轉文字教學。法律同醫療場景有各自嘅詞彙難點，分別見法律語音轉寫同粵語醫療聽寫。

---

本文由港嘢內容團隊編輯審閱（editorial review，2026-10-25）。想了解我哋嘅背景，可以睇關於港嘢；有技術問題或想申請功能開通，聯絡我哋。