隨著 AI 語音辨識技術的快速發展，市場上的主流工具在準確率上的差距正在縮小，但在特定語言、口音和使用場景下，不同工具之間仍然存在顯著差異。本文將系統性地比較 OpenAI Whisper、Google Speech-to-Text、Apple 語音辨識、Amazon Transcribe 和 Microsoft Azure Speech Service 五大主流工具，並提供具體的選擇建議。
一、評估方法（Benchmark 說明）
語音辨識的準確率通常以字錯率（Word Error Rate，WER）來衡量：
WER = (替換錯誤 + 插入多餘字 + 刪除遺漏字) / 參考總字數 × 100%
WER 越低代表準確率越高。WER 5% 意味著每 100 個字中有 5 個字出現錯誤（替換、插入或遺漏）。
常用的評估資料集包括：
- LibriSpeech：英語有聲書錄音，說話清晰、無背景噪音，通常作為「理想條件」基準。
- CHiME-6：多人家庭聚餐場景，含背景噪音和重疊發言，代表「困難條件」。
- FLEURS：Google 的多語言評估資料集，涵蓋 102 種語言。
- Common Voice：Mozilla 的開放式多口音評估資料集。
需要注意的是，官方發布的 Benchmark 結果通常在最有利的條件下測試，實際使用中的準確率往往比 Benchmark 低 5–15%。
二、主流工具詳細比較
OpenAI Whisper
Whisper 是 OpenAI 於 2022 年發布的開源語音辨識模型，使用 68 萬小時的多語言網路音訊進行訓練。
| 模型版本 | 參數量 | 英語 WER（LibriSpeech） | 多語言能力 |
|---|
| Tiny | 39M | ~5.7% | 基礎 |
| Base | 74M | ~4.3% | 良好 |
| Small | 244M | ~3.4% | 良好 |
| Medium | 769M | ~3.0% | 優秀 |
| Large-v3 | 1.5B | ~2.4% | 最佳 |
多語言表現：Whisper Large-v3 在普通話（Chinese）WER 約 8–12%，日語約 4–6%，西班牙語約 3–5%。在 99 種語言中，超過 75% 的語言 WER 低於 20%，在多語言覆蓋廣度上是所有工具中最強的。
優點：開源免費、多語言最廣、可離線使用、隱私保護最好、社群活躍持續更新。
缺點：不支援即時轉錄（延遲較高）、需要技術能力安裝、對說話者識別（Diarization）支援有限（需搭配 pyannote.audio 等外部工具）。
Google Speech-to-Text / Cloud Speech API
Google 的語音辨識服務是目前商業部署最廣泛的 API 之一，支援超過 125 種語言。
- 英語準確率：標準模型 WER 約 5–8%；使用「enhanced」模型（適用電話/視訊場景）約 3–5%。
- 普通話：WER 約 8–15%，受說話者口音和清晰度影響大。
- 特色功能：說話者識別（最多可識別 6 位說話者）、自動標點符號、字詞時間戳記、自定義詞彙、即時串流轉錄（WebSocket）。
- 強項語言：英語、西班牙語、法語、德語、日語的表現接近最佳水準。
- 弱項：在背景噪音和非標準口音下準確率下滑明顯，普通話非標準口音（如台灣腔、廣東話混入）的辨識效果一般。
- 定價：每月前 60 分鐘免費；標準 $0.006/分鐘；加強版 $0.009/分鐘（最低按分鐘計費 15 秒）。
Apple 語音辨識（Speech Framework / Dictation）
Apple 的語音辨識引擎在 macOS 和 iOS 裝置上運行，分為「設備端」和「伺服器端」兩種模式。
- 英語準確率：設備端模型 WER 約 6–9%；伺服器端（需連網）約 5–7%，與 Google 基本相當。
- 普通話：繁體中文的設備端辨識相對準確，WER 約 10–15%；台灣口音普通話辨識在同類工具中表現較好。
- 優點：設備端處理（最高隱私保護）、無網路也可使用（設備端模式）、深度整合 iOS/macOS 系統、免費使用。
- 缺點：無法上傳現有錄音檔案進行批次轉錄（只支援即時聽寫）、無說話者識別功能、API 存取受限（需通過 SFSpeechRecognizer）、每分鐘有請求限制。
- 適合場景：需要即時輸入的 Apple 應用開發（語音指令、即時字幕）、個人隱私敏感的即時聽寫需求。
Amazon Transcribe
AWS 的語音辨識服務，針對企業批次處理和即時串流場景優化。
- 英語準確率：WER 約 5–9%，與 Google 相近；使用「Call Analytics」特化模型時準確率可達 3–6%（針對客服場景優化）。
- 說話者識別：業界最強的說話者分離功能，可識別最多 10 位說話者，並自動標記說話者姓名（搭配 Amazon Transcribe Call Analytics）。
- 特色功能：毒性詞語過濾、自定義詞彙和語言模型、PII 個人資訊識別與遮蔽（適合合規需求）、場景特化模型（醫療、通話中心）。
- 語言支援：支援 100+ 語言，但多語言準確率參差不齊，英語以外的語言通常不如 Whisper。
- 定價：前 12 個月每月 60 分鐘免費；標準 $0.024/分鐘；醫療版 $0.050/分鐘。
- 適合：已使用 AWS 生態系的企業，特別是需要客服電話分析和合規性 PII 過濾的場景。
Microsoft Azure Speech Service
Microsoft 的語音辨識服務，深度整合在 Azure 和 Microsoft 365 生態系中。
- 英語準確率：WER 約 4–7%，在主流雲端服務中準確率較高，特別是在會議和電話場景。
- 普通話：WER 約 7–12%，在商業服務中對中文的支援相對完善，包括繁體中文和台灣普通話。
- 特色功能：說話者識別（Diarization）、即時轉錄、自定義語音模型（Custom Speech）、批次轉錄 API、整合 Teams 的即時字幕功能。
- Custom Speech 功能：允許上傳自己的音訊資料和文字對照，微調模型以適應特定口音、術語或說話風格，是所有工具中自定義能力最強的。
- 定價：標準 $0.016/小時（批次）至 $1/小時（即時）；每月前 5 小時免費。
- 適合：Microsoft 365 企業用戶、需要高度自定義語音模型的場景、中文商業應用。
三、各語言準確率摘要比較
以下為各工具在主要語言上的大致 WER 範圍（較低越好）：
- 英語（標準美式/英式）：Whisper L-v3 2–4% | Google 3–7% | Azure 4–7% | Amazon 5–9% | Apple 5–8%
- 普通話（標準）：Whisper 8–12% | Azure 7–12% | Google 8–15% | Amazon 10–16% | Apple 10–15%
- 繁體中文（台灣口音）：Apple 10–14%（設備端優化）| Whisper 10–15% | Azure 10–16% | Google 12–18%
- 日語：Whisper 4–6% | Google 5–8% | Azure 5–9%
- 西班牙語：Whisper 3–5% | Google 4–7% | Azure 4–6%
四、口音對準確率的影響
口音是影響所有 AI 語音辨識工具準確率的關鍵變數。研究顯示，非母語者口音通常使 WER 提高 5–25 個百分點，具體影響因口音程度和工具而異。
- Whisper 由於訓練資料覆蓋多種口音，在口音多樣性方面表現最穩定。
- Apple 的設備端模型對台灣口音中文的適應性相對較好（可能是因為在台灣裝置上有在地化訓練）。
- Azure 的 Custom Speech 功能允許使用者上傳口音樣本進行微調，是處理特定口音問題的最佳解法。
五、如何選擇適合的工具
- 英語為主、注重隱私和成本：本地部署 Whisper Large-v3，零成本、最高準確率、資料不離開本機。
- 需要 API 整合和多語言：Google Speech-to-Text 覆蓋語言最廣，API 成熟度高。
- 中文商業應用：Azure Speech Service 的中文支援和 Custom Speech 微調能力更適合商業部署。
- 客服電話分析：Amazon Transcribe Call Analytics 的說話者分離和情感分析功能最強。
- Apple 平台開發：使用 Apple SFSpeechRecognizer，免費且完全在設備端處理。
- 需要最高自定義：Azure Custom Speech 允許用自己的資料微調模型，最適合特殊詞彙和口音需求。
語音辨識技術仍在快速進步，目前各工具的差距在縮小，但根據語言、口音和使用場景的不同，最適合的工具選擇仍然有顯著差異。建議在選定工具之前，先用實際的錄音樣本對候選工具做 30–60 分鐘的測試，而非完全依賴官方 Benchmark 數據做決策。
在瀏覽器裡直接完成，檔案不會離開你的電腦：音訊工具
