正式发布 VoicePing ASR Model V0.1——一款支持英语、日语、韩语、中文和越南语的多语言语音转文字模型。
VoicePing ASR Model V0.1 正式发布
今天，我们正式发布 VoicePing ASR Model V0.1——我们面向 VoicePing 中最常用语言打造的多语言语音转文字模型，覆盖英语、日语、韩语、中文和越南语五种语言。
VoicePing 的核心是多语言语音沟通：会议、活动、语音翻译、转写文本、摘要与搜索。在这些工作流程中，自动语音识别（ASR）并不是一个孤立的功能，而是整个产品体验的第一层。如果转写结果不稳定，后续每一个环节的价值都会随之打折。
VoicePing ASR Model V0.1 正是为这一现实而设计。它聚焦于我们服务最多的五种核心语言，目标是为真实对话生成更干净的转写文本。
一个模型，胜任多语言场景
通用语音识别技术进步很快，但真实的多语言音频仍然存在不少难点：
- 日语、韩语和中文需要针对语言特性的文本处理。
- 越南语高度依赖准确的声调符号和词语边界。
- 较长或嘈杂的音频片段容易出现转写不完整、输出为空或文本重复的问题。
- 云端模型在不同语言上的表现可能差异很大，即使 API 接口看起来是统一的。
- 在公开基准测试中表现出色的系统，未必最适合会议、活动和语音翻译场景。
VoicePing ASR Model V0.1 是我们围绕这五种语言的产品场景打造的首个整合模型。下面的基准测试要回答的是一个非常实际的问题：它对用户真正关心的语音，转写效果究竟如何？
它能做什么
VoicePing ASR Model V0.1 可以转写以下语言的语音：
- 英语
- 日语
- 韩语
- 中文
- 越南语
其输出的转写文本，是 VoicePing 后续功能的基础，包括翻译、字幕、会议纪要以及可搜索的对话历史。
本文中 ASR 与 STT 可互换使用，两者均指语音转文字（Speech-to-Text）转写。
评测
数据集
本次评测使用 VoicePing 的多语言语音测试集，每种语言 1,000 条音频片段，总时长约 41 小时。这些片段反映了 VoicePing 在实际使用中处理的语音类型：真实对话，而非干净的朗读录音。
| 语言 | 片段数 |
|---|---|
| 英语 | 1,000 |
| 日语 | 1,000 |
| 越南语 | 1,000 |
| 韩语 | 1,000 |
| 中文 | 1,000 |
| 合计 | 5,000 |
所有系统均在同一套音频上进行测试。
参与对比的模型
我们将 VoicePing ASR Model V0.1 与广泛使用的云端语音识别系统及开源 ASR 模型进行对比，包括 Google Cloud STT、Azure AI Speech、OpenAI 转写模型、ElevenLabs Scribe v2、Deepgram Nova-3、Qwen3-ASR 和 SenseVoiceSmall。
评分方式
核心指标是词错误率（WER）：数值越低越好。WER 衡量的是与人工参考转写相比，有多少词被插入、删除或替换。
延迟
对于生产环境中的 ASR 来说，准确率并不是唯一的要求。我们还测量了每个系统返回转写结果所需的时间，因为一个准确但缓慢的模型，在实时会议和活动中依然会带来糟糕的体验。
主要结果
下图对比了 VoicePing ASR Model V0.1 与本次基准测试中各外部语音转文字系统在五种语言上的平均词错误率。柱形越低越好。各语言的详细图表见后文的结果部分。
各语言准确率
| 系统 | EN WER | JA WER | VI WER | KO WER | ZH WER | 宏平均 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
| 系统 | 宏平均 WER | 中位延迟 | 备注 |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | VoicePing 多语言 ASR |
| Google Cloud STT V1 default | 40.1% | 7.47s | 云端语音转文字 |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | 云端语音转文字 |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | 云端语音转文字 |
| Azure AI Speech | 25.0% | 7.12s | 云端语音转文字 |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | OpenAI 转写 |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | OpenAI 转写 |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | 开源 ASR 模型 |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | 开源 ASR 模型 |
| SenseVoiceSmall | 47.9% | 0.07s | 开源 ASR 模型 |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | 云端语音转文字 |
| Deepgram Nova-3 | 34.0% | 1.33s | 云端语音转文字 |
VoicePing ASR Model V0.1 在本次基准测试中取得了最低的宏平均 WER，同时中位响应时间仅为 1.22 秒，位居最快之列。而本次测试中响应更快的系统，都以大幅牺牲准确率为代价。
各语言结果
英语
VoicePing ASR Model V0.1 以 20.2% 的英语 WER 在本次对比中位居第一，领先于 Qwen3-ASR 1.7B 以及参与测试的各大云端系统。
日语
日语是 VoicePing 最重要的语言之一。在该数据集上，VoicePing ASR Model V0.1 达到 20.4% 的 WER，与 ElevenLabs Scribe v2（20.3%）几乎并列日语最佳成绩，领先于 Azure AI Speech 和各开源 ASR 基线模型。
越南语
越南语是本次基准测试中竞争最激烈的一项：Google Cloud STT Chirp 2 以 14.8% 的 WER 领先，ElevenLabs Scribe v2（15.4%）和 VoicePing ASR Model V0.1（15.5%）紧随其后，几乎不分伯仲。
韩语
韩语呈现出本次基准测试中最明显的差距之一。VoicePing ASR Model V0.1 取得 24.5% 的 WER，大幅领先于其后的一批系统。
中文
中文是 VoicePing ASR Model V0.1 的另一个强项，WER 为 16.0%，Google Cloud STT Chirp 3 和 Qwen3-ASR 1.7B 紧随其后。
我们的收获
- VoicePing ASR Model V0.1 在本次基准测试中整体准确率最高，五种语言的宏平均 WER 为 19.3%。
- 各语言的结果并不均衡：在本次测试中，英语、韩语和中文体现出 VoicePing 最明显的优势；日语与最佳云端系统几乎打平；越南语则是一场差距不到一个百分点的胶着较量。
- 规模更大的通用系统，在面向特定产品的多语言语音上并不必然占优。
- 准确率和响应时间对用户体验同样重要，在实时会议和活动中尤其如此。
下一步
VoicePing ASR Model V0.1 是首个正式版本，本次基准测试也只是一个阶段性快照。数据集取自 VoicePing 实际处理的语音类型，因此它衡量的是模型对我们产品的适配程度，而不是一个通用的公开基准——参与对比的云端系统会不断演进，我们的模型也是如此。此外，延迟还取决于部署环境，因此速度数据仅供参考，并非绝对值。
接下来，我们的工作将聚焦于这次评测所指向的方向：减少各语言中仍然存在的错误模式，用更嘈杂、更长、更贴近特定领域的音频扩充测试集，并在新的语音转文字系统发布后持续扩大对比范围。自动化评分为这些工作提供指引，而人工转写审核始终是每次发布决策的一部分。
结语
VoicePing ASR Model V0.1 是我们首个面向英语、日语、韩语、中文和越南语的整合多语言 ASR 模型。在这项包含 5,000 条音频片段的基准测试中，它在参测系统中取得了最高的整体准确率，响应速度也位居最快之列——它正是 VoicePing 所有其他功能赖以构建的转写基础层。
更重要的转变在于关注点：我们是将 ASR 作为一个真实多语言沟通产品的组成部分来评估，而不是作为一个孤立的模型演示。
