語音轉文字

OpenAI 2026-08-26 通知：whisper-1、gpt-4o-transcribe、gpt-4o-mini-transcribe、gpt-4o-transcribe-diarize 於 2027-02-26 關閉。粵語團隊要點搬？本文用公開文件同公開評測數據整理遷移清單。

講者分辨（speaker diarization）係會議逐字稿最易被低估嘅一環。本文講清楚三種做法嘅差別、各家公開規格、粵語重疊發言同短回應嘅實務處理，同一個 10 段抽樣驗收法。

需求一入「錄音唔可以出公司」，選型問題就由「邊個準」變成「資料去到邊」。

兩張報價單，一張寫 $0.0043，一張寫 $0.21，唔可以直接比。計費單位唔同，量度嘅嘢根本唔同。

300 條錄音，聽落係「跑 300 次」。實際係三張表：邊條要轉、邊條轉緊、邊條收咗錢但冇交貨。冇呢三張表，你一定會喺交付日才發現漏咗幾條。

同一條問題，答案跟場景走：客服要一秒內，會議字幕三秒可接受，逐字稿可以等一個鐘。揀錯路線嘅代價唔係貴，係你要重寫接入層，或者永遠交唔到正式稿。

多數團隊揀 ASR API 係睇 demo 同單價。真正令你要重寫接入層嘅，通常係五個冇人問嘅規格位：同步窗幾長、檔案上限點計、詞表規則、有冇時間戳、同按咩單位收錢。

變調喺語言學上係正確音變，但喺 ASR 入面會表現成錯字。本文拆三類錯誤、俾一個可重複嘅成對測試設計，再講詞表、上下文、音檔三者點分工。

熱詞唔係「加多啲詞」。本文拆人名、地名、品牌、機構、術語五類專名嘅辨識失敗模式，講詞表容量同分域，再畀一個可以重跑嘅 A/B 驗收流程。

實時聽寫 API 到底點接？本文拆解 WebSocket 事件次序、ephemeral token 點簽、delta 增量文字點拼、11 個 close code 邊啲可以重試，同一套完整嘅 Node 程式碼。