介紹 VoicePing ASR Model V0.1：支援英文、日文、韓文、中文與越南文的多語言語音轉文字模型。
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。
比較的模型
我們將 VoicePing ASR Model V0.1 與廣泛使用的雲端語音系統及開源 ASR 模型進行比較，包括 Google Cloud STT、Azure AI Speech、OpenAI 轉寫模型、ElevenLabs Scribe v2、Deepgram Nova-3、Qwen3-ASR 與 SenseVoiceSmall。
評分方式
主要指標為詞錯誤率（WER，Word Error Rate）：數值越低越好。WER 衡量的是與人工參考逐字稿相比，有多少詞被插入、刪除或替換。
延遲
準確度並不是生產環境 ASR 的唯一要求。我們同時測量每個系統回傳逐字稿所需的時間，因為一個準確但緩慢的模型，在即時會議與活動中仍會帶來糟糕的體驗。
主要結果
下方圖表比較了 VoicePing ASR Model V0.1 與本次基準測試中各外部語音轉文字系統在五種語言上的平均詞錯誤率。長條越短越好。各語言的詳細圖表請見後續結果章節。
各語言準確度
| 系統 | EN WER | JA WER | VI WER | KO WER | ZH WER | Macro WER |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
排行榜
| 系統 | Macro WER | 延遲中位數 | 備註 |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | VoicePing 多語言 ASR |
| Google Cloud STT V1 default | 40.1% | 7.47s | 雲端語音轉文字 |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | 雲端語音轉文字 |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | 雲端語音轉文字 |
| Azure AI Speech | 25.0% | 7.12s | 雲端語音轉文字 |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | OpenAI 轉寫模型 |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | OpenAI 轉寫模型 |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | 開源 ASR 模型 |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | 開源 ASR 模型 |
| SenseVoiceSmall | 47.9% | 0.07s | 開源 ASR 模型 |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | 雲端語音轉文字 |
| Deepgram Nova-3 | 34.0% | 1.33s | 雲端語音轉文字 |
VoicePing ASR Model V0.1 不僅在本次基準測試中拿下最低的 Macro WER，回應速度中位數也名列前茅，僅需 1.22 秒。在這次測試中回應更快的系統，都是以大幅犧牲準確度為代價。
各語言結果
英文
VoicePing ASR Model V0.1 以 20.2% 拿下本次比較中最低的英文 WER，領先 Qwen3-ASR 1.7B 與此次測試的各大雲端系統。
日文
日文是 VoicePing 最重要的語言之一。在這份資料集上，VoicePing ASR Model V0.1 達到 20.4% WER，與 ElevenLabs Scribe v2（20.3%）幾乎並列日文最佳成績，領先 Azure AI Speech 與各開源 ASR 基準模型。
越南文
越南文是本次基準測試中競爭最激烈的項目：Google Cloud STT Chirp 2 以 14.8% WER 領先，ElevenLabs Scribe v2（15.4%）與 VoicePing ASR Model V0.1（15.5%）緊追在後，幾乎不分軒輊。
韓文
韓文是本次基準測試中差距最明顯的項目之一。VoicePing ASR Model V0.1 交出 24.5% WER 的成績，大幅領先次一梯隊的系統。
中文
中文是 VoicePing ASR Model V0.1 的另一個強項，WER 為 16.0%，最接近的是 Google Cloud STT Chirp 3 與 Qwen3-ASR 1.7B。
我們學到了什麼
- VoicePing ASR Model V0.1 在本次基準測試中擁有最強的整體準確度，五種語言的 Macro WER 為 19.3%。
- 各語言的結果並不均一：在這次測試中，英文、韓文與中文是 VoicePing 優勢最明顯的項目，日文與最佳雲端系統幾乎並列，越南文則是差距不到一個百分點的激烈競爭。
- 規模更大的通用系統，在產品場景的多語言語音上並不會自動勝出。
- 準確度與回應速度對使用者體驗同樣重要，在即時會議與活動中尤其如此。
下一步
VoicePing ASR Model V0.1 是首個正式版本，這份基準測試也只是一個時間切片。資料集取材自 VoicePing 實際處理的語音類型，因此它衡量的是模型對我們產品的就緒程度，而非替代通用的公開基準測試——比較中的雲端系統會持續演進，我們的模型也是如此。延遲同時取決於部署環境，因此速度數據應視為參考值，而非絕對值。
接下來，我們的工作將聚焦於這次評測指出的方向：減少各語言中殘留的錯誤模式、以更多噪音、更長時間與更具領域特性的音訊擴充測試集，並在新的語音轉文字系統推出時擴大比較範圍。自動化評分為這些工作指引方向，而人工逐字稿審查也將持續是每次版本發布決策的一環。
結語
VoicePing ASR Model V0.1 是我們第一個整合英文、日文、韓文、中文與越南文的多語言 ASR 模型。在這場包含 5,000 段音訊的基準測試中，它在所有受測系統中交出最強的整體準確度，回應速度也名列前茅——而它正是 VoicePing 所有其他功能賴以建構的轉寫基礎層。
最重要的轉變在於焦點：我們是把 ASR 當作真實多語言溝通產品的一部分來評估，而不是一場孤立的模型展示。
