其他语言录音的转写：模型擅长什么，又在哪里出错

无论是学习、研究还是国际工作，人们最终都会得到不止一种语言的录音：一段土耳其语访谈、一段阿拉伯语的家庭录音、一场英语的客座讲座，或者一场波兰语与德语夹杂的会议。现代语音识别在这方面的表现出乎意料地好——前提是你了解它的薄弱环节。

这些模型能识别多少种语言？

OpenAI 的 Whisper 训练时使用了 99 种语言；免费试用中，Sprechverlauf 使用的是速度较快的 Whisper Large v3 Turbo。付费方案使用的 Microsoft MAI-Transcribe-2 根据其模型卡支持 60 种语言，并且同样能分离说话人。Microsoft 报告称，在 FLEURS 基准上的平均词错误率为 5.2%。这只是平均值：训练数据丰富的大语种表现更好，较少见的语言则较差。

误区一：近似的语言

克罗地亚语、塞尔维亚语和波斯尼亚语；印地语和乌尔都语；马来语和印尼语：这些语言听起来非常相似，因此在较短的片段中，自动语言检测可能会出错。塞尔维亚语访谈可能会被转写成克罗地亚语的拼写，乌尔都语可能会被写成天城文而不是阿拉伯文字。解决办法很简单：开始前明确选择语言。

误区二：方言与俚语

阿拉伯语是最明显的例子：埃及、黎凡特和摩洛哥阿拉伯语差异很大，但大多数书面材料使用的是现代标准阿拉伯语。模型往往会把口语方言向标准语靠拢，或者听错地区性词汇。在较小程度上，瑞士德语、巴西葡萄牙语或粤语也存在同样的问题。

误区三：声调语言和不分词的文字

在中文、越南语或泰语中，音高会改变音节的含义。混响、音乐和重度压缩恰恰会模糊这种音高变化，因此在这里，干净的录音尤其重要。中文、日文和泰文也不用空格分隔词语，模型必须自己判断词的边界。请仔细核对人名和专业术语。

误区四：对话中途切换语言

在许多家庭和团队里，人们会在一句话中间切换语言。如果强制使用某一种语言，模型就必须把所有内容都转写成这种语言。对于混合语言的录音，“自动”是更好的选择；Microsoft 表示，MAI-Transcribe-2 就是为这类语码转换而设计的。

简而言之

• 单一语言：开始前先选定，尤其是短片段和近似语言。
• 一段对话中有多种语言：保持“自动”。
• 方言：预计会有偏差，并在时间戳处核对引语。
• 声调语言：录音要干净，不要有背景音乐。