將錄音轉換為文字（音訊轉錄）是許多工作流程的關鍵步驟——無論是整理會議記錄、製作 Podcast 逐字稿、建立影片字幕，還是讓音訊內容變得可搜尋。近年來 AI 轉錄技術的突破，使得這個過程的速度和準確率都大幅提升，同時成本也大幅降低。本文將比較人工轉錄與 AI 轉錄的差異，介紹主流工具，並說明影響轉錄準確率的因素。
一、人工轉錄 vs AI 轉錄
在選擇轉錄方法之前，先理解兩者的根本差異：
人工轉錄
- 速度：轉錄 1 小時的錄音通常需要 3–5 小時的人工作業時間。
- 準確率：由有經驗的轉錄員操作，準確率可達 99% 以上，對口音、專業術語和背景噪音的容忍度最高。
- 成本：每分鐘約 US$1–3，1 小時錄音的費用約 US$60–180。
- 適用情境：法庭記錄、醫療記錄、高度機密文件、口音極重或音質極差的錄音。
- 隱私保障：可選擇在本地進行，不需上傳至任何外部伺服器。
AI 轉錄
- 速度：1 小時的錄音通常在 1–10 分鐘內完成轉錄。
- 準確率：音質良好的英語錄音準確率可達 90–95%；中文、其他語言及口音明顯的錄音通常在 80–92% 之間，需要人工校對。
- 成本：從免費（有限制）到每小時約 US$0.25–1，比人工便宜 90% 以上。
- 適用情境：絕大多數商業和個人使用場景，尤其是音質良好的會議和訪談錄音。
- 限制：對極重口音、特殊術語、嚴重背景噪音的處理仍不如人工，輸出需要人工校對。
結論：對於大多數商業場景，AI 轉錄在速度和成本上的優勢遠超過其準確率的差距。建議用 AI 處理初稿，再安排人工快速校對（通常只需要 AI 轉錄時間的 20–30%）。
二、主流 AI 轉錄工具詳細介紹
OpenAI Whisper（開源，免費）
Whisper 是 OpenAI 在 2022 年開源的語音辨識模型，被認為是目前準確率最高的開源方案之一。
- 使用方式：可通過命令列工具在本機執行，也可以通過多種線上界面和 API 使用。
- 語言支援：支援 99 種語言，包括繁體中文和粵語。
- 準確率：英語 WER（字錯率）約 2–5%，中文約 5–10%，在開源模型中名列前茅。
- 模型大小：從 39MB（Tiny）到 1.5GB（Large-v3），模型越大準確率越高，但需要更多計算資源。
- 優點：完全免費、隱私性好（可在本機離線執行）、無使用限制、持續更新改善。
- 缺點：需要一定的技術能力才能自行安裝，即時轉錄功能有限，無圖形界面（但有第三方 GUI 工具）。
- 推薦使用者：技術背景使用者、注重隱私的機構、需要批次處理大量錄音的場景。
Otter.ai（雲端，訂閱制）
Otter.ai 是功能最豐富的整合型 AI 轉錄服務，專為商業和團隊使用設計。
- 使用方式：瀏覽器界面、手機 App、Zoom/Teams/Meet 插件、API。
- 語言支援：主要支援英語，中文支援在持續改善中，準確率相對較低。
- 準確率：英語清晰錄音約 85–92%，含多人對話時表現尤其穩定。
- 特色功能：說話者識別、即時轉錄、自動摘要、全文搜尋、協作標記。
- 價格：免費版每月 300 分鐘；Pro $17/月；Business $30/月。
- 推薦使用者：需要完整會議助理功能（不只是轉錄）的商業使用者。
Google Speech-to-Text（API，按用量計費）
Google 的雲端語音辨識 API，適合開發者和需要大量批次處理的企業。
- 語言支援：支援超過 125 種語言和方言，中文（普通話和粵語）支援度良好。
- 準確率：英語 85–92%，中文普通話約 80–88%，受口音和錄音品質影響較大。
- 價格：每月前 60 分鐘免費；之後每分鐘約 US$0.006（標準）至 US$0.009（醫療等強化版）。
- 特色：支援即時串流轉錄（WebSocket）、說話者分離（Diarization）、字詞時間戳記。
- 推薦使用者：需要通過 API 大量自動化處理的開發者和企業。
Apple 聽寫（Dictation，內建免費）
Apple 裝置內建的語音輸入功能，在 macOS 和 iOS 上均可使用，不需要網路連線（本地處理）。
- 使用方式：在任何文字輸入欄位啟動聽寫功能，即時轉錄說話內容。
- 語言支援：支援 40+ 語言，繁體中文支援良好。
- 準確率：在安靜環境中英語和中文準確率約 85–90%，但不支援匯入音訊檔案批次轉錄。
- 優點：完全免費、在本機處理（隱私性好）、零延遲、無需帳號。
- 缺點：只能即時聽寫，無法上傳錄音檔案進行轉錄，不適合整理已有的錄音。
- 推薦使用者：需要即時輸入文字的 Apple 裝置使用者（如快速記錄想法）。
三、影響轉錄準確率的關鍵因素
無論使用哪種工具，以下因素都會顯著影響最終的轉錄準確率：
錄音品質
這是最重要的因素。底噪低、清晰的人聲錄音，即使使用較簡單的 AI 工具也能達到高準確率；而嘈雜、混響嚴重的錄音，即使使用最先進的模型也難以達到滿意效果。錄音前的降噪（如前文所述）是提升準確率最有效的方式。
說話速度與清晰度
語速過快（每分鐘超過 200 個字）或含糊不清的發音，都會降低準確率。在重要錄音中，說話者應盡量清晰發音並保持自然的語速。
口音與方言
所有 AI 工具都在標準口音上表現最好，非標準口音（如台灣口音英語、帶口音的普通話）通常會降低 5–15% 的準確率。Whisper 在口音多樣性上的表現相對較好，因為其訓練資料涵蓋更廣泛的口音類型。
專業術語與專有名詞
醫療、法律、工程等領域的專業術語，以及人名、地名、產品名稱，往往是錯誤率最高的部分。大多數工具支援「自定義詞彙」功能，可預先輸入常用術語提高準確率。
多說話者場景
多人同時說話（搶話）或快速輪流發言時，準確率會顯著下降。錄音中的說話者識別功能（Speaker Diarization）能標記「誰在說話」，但在人聲重疊時仍有困難。
四、多語言支援概況
- 英語：所有工具表現最佳，Whisper Large-v3 的字錯率（WER）僅約 2–4%。
- 中文普通話：Whisper 和 Google 表現相近，WER 約 5–10%，在台灣口音下略高。
- 粵語：支援程度較弱，Whisper 和 Google 有基本支援，但準確率不如普通話。
- 日語/韓語：Whisper 在日韓語的準確率相對優秀，WER 約 5–8%。
- 西班牙語/法語：主流工具表現良好，WER 約 4–8%。
五、工具選擇建議
- 預算有限 + 技術背景：本地部署 Whisper Large-v3，最高準確率、零成本、最佳隱私保護。
- 快速上手 + 英語為主：Otter.ai 免費方案，兼具轉錄和會議助理功能。
- 企業批次處理：Google Speech-to-Text API，支援自動化工作流程和大量檔案處理。
- 中文轉錄：目前 Whisper Large-v3 是開源選項中表現最佳的，商業方案可試用 Otter.ai 的中文支援或 Azure Speech Service。
音訊轉文字技術在過去三年有了質的飛躍，即使是免費工具也能在大多數場景中提供可用的初稿。關鍵在於根據你的使用需求（隱私性、語言、準確率要求、預算）選擇合適的工具，並建立「AI 轉錄 + 人工快速校對」的標準工作流程，才能在效率和品質之間取得最佳平衡。
在瀏覽器裡直接完成，檔案不會離開你的電腦：音訊工具
