Blogs on VoicePing

VoicePing ASR Model V0.1 正式登場

Wed, 01 Jul 2026 00:00:00 +0000

VoicePing ASR Model V0.1 正式登場

今天，我們正式推出 VoicePing ASR Model V0.1——這是我們的多語言語音轉文字模型，鎖定 VoicePing 中最常出現的五種語言：英文、日文、韓文、中文與越南文。

VoicePing 的核心是多語言口語溝通：會議、活動、語音翻譯、逐字稿、摘要與搜尋。在這些工作流程中，ASR（自動語音辨識，Automatic Speech Recognition）並不是一項獨立功能，而是整個產品體驗的第一層。如果逐字稿不穩定，後續的每一個環節都會大打折扣。

VoicePing ASR Model V0.1 正是為了這樣的現實而設計。它聚焦於我們服務最密集的五種核心語言，目標是為真實對話產出更乾淨的逐字稿。

一個模型，搞定多語言工作

通用語音辨識技術進步迅速，但真實的多語言音訊仍存在許多棘手的邊角問題：

日文、韓文與中文需要針對語言特性的文字處理。
越南文高度仰賴準確的聲調符號與詞彙邊界。
較長或含噪音的音訊片段，可能出現不完整的逐字稿、空白輸出或重複文字。
雲端模型在不同語言上的表現可能不一致，即使 API 介面看起來完全相同。
在公開基準測試上表現優異的系統，未必最適合會議、活動與語音翻譯場景。

VoicePing ASR Model V0.1 是我們第一個圍繞這五種語言產品場景打造的整合模型。以下的基準測試要回答一個非常實際的問題：它能把使用者真正在意的語音轉寫得多好？

它能做什麼

VoicePing ASR Model V0.1 可轉寫以下語言的語音：

英文
日文
韓文
中文
越南文

模型輸出的逐字稿，正是驅動 VoicePing 後續功能的基礎，包括翻譯、字幕、會議記錄，以及可搜尋的對話紀錄。

本文中 ASR 與 STT（語音轉文字，Speech-to-Text）兩詞互通使用，皆指語音轉文字轉寫。

評測

資料集

本次評測使用 VoicePing 的多語言語音資料集，每種語言各 1,000 段音訊，總計約 41 小時。這些音訊片段反映了 VoicePing 實際處理的語音類型：是真實對話，而非乾淨的朗讀錄音。

語言	音訊片段數
英文	1,000
日文	1,000
越南文	1,000
韓文	1,000
中文	1,000
總計	5,000

所有系統皆以同一組音訊進行測試。

VoicePing 支援 MedTech ROUND Pitch Day：英語即時轉譯為日語

Wed, 01 Jul 2026 00:00:00 +0000

VoicePing 支援 MedTech ROUND Pitch Day：英語即時轉譯為日語

九家醫療器材新創以英語進行提案簡報。會場中的日本醫師、工程師與製造商代表，則能透過自己的手機與會場螢幕，即時以日語跟上內容。

主螢幕上是英文提案簡報，左側第二面螢幕則顯示即時日語翻譯。

活動背景

MedTech ROUND Pitch Day 於 2026 年 5 月 28 日星期四在 Tokyo Midtown Yaesu 五樓活動空間舉行，場地可眺望東京車站。這是醫療器材新創加速器 MedTech ROUND 的 Demo Day。該計畫由東京大學 Tokyo Biodesign 執行，並獲日本經濟產業省（METI）與日本醫療研究開發機構（AMED）支持。

要站上這個舞台並不容易。約 80 家新創申請，12 家入選計畫，最後 9 家在活動當天進行提案簡報。觀眾席中約有 15 家醫療器材公司，包括日本與國際主要製造商的企業夥伴，另有投資人與計畫營運團隊。會場座無虛席。

此計畫由東京大學 Tokyo Biodesign、METI 與 AMED 支持。

挑戰

整場活動以英語進行。九家新創全都以英語提案，這是會場內全球製造商與國際來賓之間的共同語言。不過，這些新創最希望直接觸及的對象，包括日本醫療器材製造商、臨床醫師與投資人，許多人仍以日語思考與工作。如果英文內容從他們耳邊掠過，提案的價值也會跟著流失。

醫療器材提案本身也很難翻譯。內容高度密集，包含解剖、臨床流程、器材運作機制、法規用語，以及疾病與技術名稱。這些正是一般翻譯工具最容易譯錯的詞彙。在這個會場裡，專業用語就是提案的核心；用語到位，提案才真正到位。

Tokyo Midtown Yaesu 五樓活動空間，會場入座前的樣貌。

VoicePing 於京都 JPCA 2026 提供即時雙語翻譯

Wed, 01 Jul 2026 00:00:00 +0000

VoicePing 於京都 JPCA 2026 提供即時雙語翻譯

加拿大講者以英語發表，日本醫師以日語發表。VoicePing 讓會場內的參與者能以兩種語言同步跟上同一場研討會。

英文演講在主螢幕上即時轉為日文字幕。

活動背景

日本基層醫療聯合學會（Japan Primary Care Association，JPCA）第 17 屆年會（JPCA 2026）於 2026 年 5 月 29 日至 31 日在國立京都國際會館舉行，主題為「Collaborating for Care. Connecting for Change.」。VoicePing 支援的是 5 月 30 日星期六舉行的一場主要研討會。

基層醫療對今日日本格外重要。日本約三分之一人口已屬高齡者，許多患者同時面對多重健康問題，醫療照護落差也持續擴大。這讓負責日常照護的第一線醫師比以往更加關鍵。日本基層醫療也持續向海外尋找可借鏡的做法，而加拿大的家庭醫學經驗正是常被參考的方向之一。

主舞台螢幕上的大會主題。

挑戰

這場研討會以雙語進行。來自加拿大的教授以英語發表，日本基層醫療醫師則以日語發表。即使是事先準備好的演講，要即時翻譯也並不容易。醫療用語高度精確，翻譯稍有偏差，就可能改變原意。

更困難的是最後的現場問答與小組討論。這類討論中，語言會不斷切換。有人用日語提問，加拿大教授用英語回答，另一位與談人接著加入；下一句會是哪一種語言，沒有人能預先知道。

要在現場即時翻譯這樣的互動並不簡單。單一口譯人員可能跟不上快速往返的節奏。只能單向運作的工具，也無法應付語言來回切換的討論。一般翻譯工具也可能在最關鍵的醫療專業詞彙上出錯。

VoicePing 的做法

VoicePing 以自動語言偵測的雙語模式支援整場研討會。系統不預先固定翻譯方向，而是辨識當下使用的語言，並自動往正確方向翻譯。英語轉日語、日語轉英語，兩個方向都即時進行。當小組討論在兩種語言之間來回切換時，現場不需要有人手動切換設定。

VoicePing 支援 48 種語言；而這場研討會真正需要的是英語與日語。

參與者也能選擇最適合自己的方式跟上內容。有些人掃描 QR Code，在自己的手機上以偏好的語言閱讀翻譯，不需要安裝 App；也有人直接看會場共用螢幕上的即時字幕。

加拿大講者發表時，投影片內容同步以日文顯示在螢幕上。

現場成效

真正的考驗是現場小組討論，而系統順利完成了任務。由於 VoicePing 能自行判斷語言，語言切換不需要任何人介入。日語提問可以由英語回答，而英文回答仍能在螢幕上以日語呈現，中間無需更動設定。

整場研討會中，兩個方向的翻譯都持續運作。加拿大講者的英文內容在發言當下顯示日文字幕，日本講者的內容也同樣即時轉為英文。參與者不再需要等待翻譯，而是能直接跟上討論。

主螢幕上的講者畫面，也就是會場中大家看到的研討會樣貌。

無腳本爐邊對談：Early-Stage Deep Tech Forum 的日英即時翻譯

Wed, 01 Jul 2026 00:00:00 +0000

無腳本爐邊對談：Early-Stage Deep Tech Forum 的日英即時翻譯

來自海外的機器人與量子領域創辦人，加上一個由日本投資人、研究者與政策相關人士組成的會場。演講與開放問答以兩種語言進行，VoicePing 在每一次發言當下，即時完成雙向翻譯。

論壇背景：TIB 的早期深科技之夜

從人形機器人到量子技術，以及其他正從實驗室走向商業落地的新興技術，深科技往往分散在不同國家與語言之間。創辦人、投資人與研究者不一定在同一個地方，也不一定使用同一種語言。對這樣的活動而言，核心工作之一就是確保所有人都能跟上同一場對話。

2026 年 5 月 27 日，這場對話在丸之內的 Tokyo Innovation Base（TIB） 展開，活動為 Early-Stage Deep Tech Forum [Robotics, Quantum & Emerging Technologies]。論壇時間為 17:30 至 20:00，由 Deloitte Tohmatsu 與 MFV Partners 主辦，並與 Morning Pitch Asia 合作。當晚內容包括主題演講、簡報、爐邊對談、現場問答與交流時間。

爐邊對談現場，旁邊螢幕顯示 VoicePing 的日英即時翻譯。

會場中的兩面螢幕：一面顯示投影片，另一面顯示 VoicePing 的即時翻譯。

挑戰：沒有腳本的對話

講者們聚在一起，是為了跨越語言界線進行對話。MFV Partners Managing Partner Karthee Madasamy 擔任主持人。台上與談人包括 Agility Robotics 共同創辦人兼董事長 Damion Shelton，以及 Asteria 創辦人兼 CEO Yoichiro Hirano：一位美國機器人公司創辦人與一位日本軟體公司創辦人，在以日本觀眾為主的會場中交流。

UNLEASH Insights 2026：為赴印度日本投資人代表團提供即時AI翻譯

Mon, 29 Jun 2026 00:00:00 +0000

VoicePing · Customer Story · UNLEASH2026

當一家日本創投基金帶著投資人前往印度參加為期數天的峰會時，現場自然就是雙語環境：活動在印度進行，觀眾則以日本人為主。UNLEASH Capital Partners在UNLEASH Insights 2026上正面臨這樣的場景，並首次採用了VoicePing的即時AI翻譯，涵蓋兩天的小組討論、簡報和問答環節。

我們與UNLEASH Capital Partners的Sowmya Arunkumar進行了訪談，了解團隊為何選擇VoicePing、現場如何使用、哪些地方發揮了效果，以及坦率地說，哪些部分仍需要改進。我們保留了她直接、真實的回饋，因為她提出的期待清單，正是我們正在推進的產品路線圖。

活動與語言隔閡

— 能否先介紹一下自己，以及UNLEASH Insights 2026是什麼樣的活動？

Sowmya: 我在UNLEASH擔任顧問，負責影響力投資論點的建立與報告，同時也參與投資組合管理。我是在2025年12月加入的。5月我們安排了一場活動，大約有30到40位日本代表來到印度，我就是因為這場活動聯絡了VoicePing。活動主要介紹我們在印度所做的事情，包括我們的投資方向，以及圍繞投資組合公司的討論。整體形式包括小組討論、一對一簡報，以及貫穿全程的問答。

— 語言方面的挑戰是什麼？

Sowmya: 大多數代表聽英語也還可以，但用日語理解起來會更從容。因此，我們希望他們能夠跟上各個環節中正在發生和討論的內容。

為什麼選擇VoicePing

— 是什麼讓你們選擇了VoicePing？

Sowmya: 我們調研了印度本地可用的很多工具。主要擔心的是，在小組討論中，很多工具通常無法準確拾取每位發言人的聲音和表達，因此翻譯結果並不正確。這也是我們在使用者評價裡看到的主要問題。也有頭戴式耳機或耳機方案，但給35到40個人分發這些設備，對我們來說並不合理，所以我們需要一個符合需求的軟體方案。

— 其他方案如何？

Sowmya: 收費模式不適合我們。對一天的活動來說價格偏高，而且大多是訂閱制，例如50小時或100小時方案。對於一次性活動來說，這沒有意義。這是一個年度活動，我們只在那個時候需要翻譯，並不是日常使用。

— 你們是怎麼找到我們的？

Sowmya: 是透過推薦。我們的Managing Partner Natsuki Sugai先生從一位在日本用過VoicePing的朋友那裡聽說了這款產品。那位朋友說，VoicePing在過去兩年進步很大，建議我們試試看。於是我就聯絡了VoicePing團隊。

現場如何使用

— 現場翻譯在兩天會議期間，透過主螢幕旁邊的會場顯示器即時呈現。團隊在設定過程中是否有幫助？

Sowmya: 有，團隊從頭到尾都很支持。他們協助我們下載軟體，也和場地的AV團隊一起在會場裡做了幾次測試。活動當天，Aaron也整天在現場協助我們。

— 價格方案是否容易配合你們的需求？

Sowmya: 是的。第一次通話時，團隊說明了適用於一天或兩天活動的方案，這非常有幫助。我們也在那次通話中看了示範，這讓我們確信它適合我們。

活動當天：有效之處與不足之處

— 翻譯品質如何？

Sowmya: 英語到日語還可以。但有一場會議中，有人用日語發言，需要翻譯成英語，那部分確實沒有達到預期。我不懂日語，所以完全依賴翻譯內容。有些時候，出來的英文內容並不準確。

— 螢幕上的顯示方式呢？

Sowmya: 一個短語一旦翻譯出來，就不應該再被反覆改寫。我讀完一句並理解了它，但當我準備看下一句時，前一行已經變了，意思就丟失了。這讓人困惑，而且節奏太快，很難跟上。

— 這是非常合理的回饋。日語和英語的語序幾乎相反，日語句子的意思往往要等到句尾動詞出現後才完全確定。因此，早期產生的英文譯文可能會在句子中途被修正。這是我們已經認識到的限制，我們正在開發一個減少文字閃動的新模型。在通話中，我們也展示了分割畫面檢視，可以把已經穩定下來的內容固定在即時文字旁邊。

— 觀眾整體回饋如何？

Sowmya: 比什麼都沒有要好。參會者用日語會更舒服，翻譯也幫助他們跟上現場正在發生的內容。

情感 TTS 基準測試：Qwen3-TTS、CosyVoice、IndexTTS-2、Fish Audio 與 VoxCPM 在日語和中文上的表現

Fri, 26 Jun 2026 00:00:00 +0000

模型與參考資料:

摘要

本研究評估五個情感 TTS 系統在日語與中文上的表現，目標情緒包括 neutral、happy、sad、angry、fear、disgust。所有提示語本身保持中性，因此情緒必須由語音風格表達，而不是靠文字內容暗示。

整體最均衡的候選模型是 Qwen3-TTS CustomVoice 1.7B。它在可信的日語/中文文字輸出前提下，擁有最低平均 CER、最佳 anchor hit rate、穩定自然度，以及最實用的情緒辨識表現。

CosyVoice 300M Instruct 的自然度最佳，但情緒辨識偏弱。IndexTTS-2 的 pooled SenseVoice 分數看起來不錯，但日語 CER 過高，不能視為可靠的日語 TTS 結果。整體而言，中文比日語容易，而 fear 和 disgust 仍未解決。

研究動機

情感 TTS 不只是讓聲音自然。實際產品需要模型同時說對句子、聽起來足夠自然，並表達指定情緒。因此本次評估同時觀察離散情緒辨識、連續情緒 anchor、轉寫正確性、自然度、速度與試聽樣本。

目標日語或中文句子必須保持正確。
語音自然度需足以實際聆聽。
生成語音應表達指定情緒，而不是退回中性語氣或相近情緒。

評估方法

基準測試採用語言、情緒和提示語均衡的生成網格。同一句話會套用到六種情緒上，讓模型不能依賴帶情緒的文字，而必須透過韻律和聲音風格表達情緒。

提示語集合

日語提示語範例：

ID	句子
`ja_001`	会議は午前十時に始まります。
`ja_002`	資料は机の上に置いてあります。
`ja_003`	明日の予定を確認してください。
`ja_004`	電車は三番線から出発します。
`ja_005`	受付で名前を伝えてください。

中文提示語範例：

VoicePing在SusHi Tech Tokyo 2026 GLOBAL × SCALEUP TOKYO創業展示會上提供即時翻譯

Fri, 10 Apr 2026 00:00:00 +0000

VoicePing在SusHi Tech Tokyo 2026 GLOBAL × SCALEUP TOKYO上提供即時翻譯

VoicePing在作為SusHi Tech Tokyo 2026 – Gathering Day一部分、於Tokyo Innovation Base舉辦的**「GLOBAL × SCALEUP TOKYO SU生態系統：Global VC Insights & Startup Showcase」**上提供了即時AI翻譯支援。來自世界各地的創投機構、企業VC以及東京最具前景的新創公司齊聚一堂，透過無縫多語言溝通實現了跨境對話。

Tokyo Innovation Base的活動議程 — 包括Global Strategy Talk、Tokyo Startup Showcase以及深科技和綠色新創公司簡報。

活動概覽：全球VC與東京新創生態系統的交會

GLOBAL × SCALEUP TOKYO活動精心設計了豐富的議程，旨在將日本的新創生態系統與國際投資者和合作夥伴連接起來：

Global Strategy Talk（下午2:30） — 為跨境合作奠定基礎的開場環節
小組討論：「從海外VC/CVC視角看日本新創投資與全球擴張」 — Pegasus Tech Ventures、Alumni Ventures和Woven Capital的全球VC分享了對日本新創環境的坦率見解
Tokyo Startup Showcase（下午3:30） — 聚焦創新日本新創公司
簡報環節：Deep Ecosystem / Green Startups（下午3:55） — 展示深科技和永續發展領域的企業
SusHi Tech Tokyo 2026主要發布（下午5:00） — SusHi Tech Tokyo整體重要公告
社交活動（下午5:40~7:00） — 創辦人與投資者跨越語言直接交流

本活動由Startup Ecosystem Tokyo Consortium與東京都政府合作，作為SusHi Tech Tokyo 2026計畫的一部分舉辦。