AI 轉錄準確度：2026 年研究真正點講
2026年 AI 轉錄準確度研究整理：字詞錯誤率（WER）究竟代表乜嘢、真實基準測試範圍，以及語音轉文字喺口音、噪音同人名方面仍然失準嘅地方。
2026 年，AI 轉錄準確度喺乾淨、單一講者嘅錄音上，一般都有 95% 至 98%，聽落幾乎完美。但真實情況冇咁簡單。遇到口音、背景噪音、講者重疊同技術術語時，準確度會大幅下跌，而已發表嘅研究亦顯示，錯誤並唔係平均分佈喺各類講者身上。
標題數字同實際表現之間嘅落差好重要。如果你要決定信唔信一份自動轉錄嘅會議記錄、訪問、醫療筆記或者法律紀錄，真正該問嘅唔係「AI 轉錄準不準確」，而係「對邊個準確、喺乜嘢條件下準確，以及準確到乜嘢程度先夠用」。呢篇文章會逐一講解研究實際量度緊乜嘢、數字代表乜嘢，同呢項技術仍然不足嘅地方。
乜嘢係字詞錯誤率（WER）？
字詞錯誤率（Word Error Rate，WER）係語音轉文字準確度嘅標準量度方法。做法係將系統嘅轉錄結果同一份正確嘅參考文本比較，計算有幾多個字錯咗，再除以講出嘅總字數。當中包含三種錯誤。
- 取代：系統將一個字換成另一個字（"their" 變咗 "there"）。
- 刪減：系統漏咗一個講過嘅字。
- 插入：系統加咗一個從來冇講過嘅字。
呢條公式將三者相加，再除以參考文本嘅總字數：
> WER = (取代 + 刪減 + 插入) ÷ 總字數
用一個實際例子會清楚啲。假設有人講 "I'll send the contract to Sarah on Friday afternoon."（我會喺星期五下午將合約寄畀 Sarah。）呢句有九個字。如果系統輸出 "I'll send the contract to Sara on Friday after noon,"，就有一個取代（"Sarah" 變咗 "Sara"）同一個插入（"afternoon" 拆成 "after noon" 多咗一個字）。九個字入面錯咗兩個，WER 大約係0.22，即係22%。市場推廣團隊比較鍾意用嘅「準確度」數字，就會報大約78%。
有幾點值得留意。WER 數值越低越好，WER 為零即係完美轉錄。理論上，如果系統插入好多多餘嘅字，WER 甚至可以超過100%。而且 WER 對待每個字都一視同仁，所以轉錯一個像 "um" 咁嘅語氣詞，同轉錯一個人名或者劑量，計法係一樣嘅。MLCommons 嘅基準測試團隊指出，即使係細微嘅格式選擇，例如寫 "Dr." 定係 "doctor"，如果文本未經標準化處理，都可能被當成錯誤計算。
2026年嘅基準測試結果
現代自動語音識別（ASR）喺專為佢設計嘅音訊類型上，表現確實好好。OpenAI 嘅 Whisper Large-v3 係其中一個用得最廣泛嘅開放系統，因為佢嘅表現經過獨立量度，所以係一個好有用嘅參考點。
2025 年，MLCommons 選用咗 Whisper Large-v3 作為其 MLPerf Inference 基準測試嘅語音轉文字模型。喺結合較乾淨同較嘈雜朗讀音訊嘅 LibriSpeech「dev-all」數據集上，參考實作達到大約 97.9% 嘅字詞準確度，相當於接近 2% 嘅 WER。同一份報告指出，Whisper 將上一代基準模型嘅錯誤率降低咗超過 72%，係實實在在嘅世代進步。
呢個數字有一個重要但書。LibriSpeech 係有聲書嘅朗讀錄音：單一講者、優質麥克風、發音清晰、冇人聲重疊，幾乎係最理想嘅情況。真實嘅會議、電話同語音訊息完全唔係咁樣。
為咗了解極限喺邊，Microsoft 嘅研究人員用標準 NIST 測試集，量度過專業人手轉錄員喺對話式電話錄音上嘅表現。受過訓練嘅人手喺 Switchboard 部分（陌生人討論指定話題）錄得5.9%嘅 WER，喺 CallHome 部分（親友之間自由對話）則錄得11.3%。即係話，即使係熟練嘅人手，喺較正式嘅對話中大約每17個字都錯一個，喺輕鬆閒聊中就接近每九個字錯一個。廣泛流傳嘅「人手 WER 只得4%」呢個講法，其實源自一次冇數據支持嘅私人交流，同一篇論文亦指出，單一嘅人手準確度數字具誤導性，因為難度會因應每份錄音大幅不同。
實際嘅重點係：同一個模型，喺有聲書音訊上錄得2% WER，同喺嘈雜嘅群組通話上錄得10%至15% WER，兩者可以同時成立。
唔同條件下嘅準確度：粗略指引
下表整理咗已發表基準測試同研究嘅一般模式。呢啲數字只係參考範圍，並非保證，因為實際數字會因應模型、數據集同評分方式而有出入。
| 條件 | 一般 WER 範圍 | 白話解釋 |
|---|---|---|
| 乾淨音訊、單一講者、朗讀 | 約2%至5% | 接近專業水平嘅準確度，錯誤罕見 |
| 清晰對話式語音、單一講者 | 約5%至10% | 相當好用，偶爾會漏聽人名或術語 |
| 帶口音或非母語英語 | 約10%至25%以上 | 明顯較差，因應口音差異好大 |
| 背景噪音或麥克風質素差 | 約10%至30%以上 | 噪音越大，表現下跌得越快 |
| 多名講者重疊 | 約15%至40%以上 | 人聲重疊同搶話會導致大量錯誤 |
| 大量術語、人名、縮寫 | 不定，通常偏高 | 訓練數據以外嘅專業詞彙容易被漏聽 |
乾淨音訊嘅數字以 MLCommons 嘅 Whisper 基準測試為依據，對話範圍則同人手與機器喺電話語音上嘅對比研究一致。
AI 轉錄仍然有困難嘅地方
口音同方言
口音係研究得最多嘅弱點之一。Calbert Graham 同 Nathan Roll 喺2024年一份 JASA Express Letters 研究入面，評估咗 Whisper 喺 Speech Accent Archive 多種英語口音上嘅表現。佢哋發現模型識別美式英語最準確，英式同澳式英語表現較差，加拿大英語就大致同美式相若。整體嚟講，英語母語口音嘅轉錄準確度高過非母語口音。
呢個唔係單一模型嘅偶然現象，而係反映咗呢類系統嘅建構方式：佢哋由大量錄音語料學習，如果呢啲語料偏重某啲口音，模型喺呢啲口音上表現就會最好，喺其他口音上就會較差。問題根源在於訓練數據，而唔喺講者本身。
背景噪音同音訊質素
噪音係最大嘅拉平因素，但唔係好嘅意思。喺咖啡店、車廂、大房間開擴音，或者用質素差嘅麥克風，都會令 WER 快速上升。MLCommons 團隊特意加入較嘈雜嘅音訊分組，正正係因為乾淨音訊嘅基準測試會誇大咗實際表現。如果你自己都幾乎聽唔清楚錄音入面某個字，模型通常都做唔到。
多名講者同重疊
兩個人同時講嘢，對機器同人類嚟講都好難處理。大部分 ASR 模型都係設計嚟轉錄單一語音流，所以講者重疊嘅時候，系統就要靠估。Microsoft 嗰份研究直接證明咗呢點：數據入面轉錄得最差嘅兩位講者，係同主要講者共用一條對話線嘅次要聲音，錯誤率分別高達37.5%同64.7%，遠遠高於平均值。判斷邊句係邊個講嘅，呢個叫「講者分割」（speaker diarisation），係一項相關但仍未完善嘅任務，呢方面出錯亦會加劇轉錄錯誤。
術語、人名同縮寫
模型只有對之前實際見過嘅字，先可以有信心咁轉錄。專門詞彙，例如藥物名稱、法律術語、產品編號或者罕見人名，通常都超出訓練數據嘅分佈範圍，系統就會用一個聽落相似、但比較常見嘅字去取代。所以一份轉錄文本可能讀落好順，但偏偏喺最緊要嘅地方出錯：一個人名、一間公司、一種藥物，或者一個數字。
ASR 已被記錄嘅偏差問題
呢個範疇最多人引用嘅發現，同公平性有關。2020年，史丹福大學嘅 Allison Koenecke 同同事喺 Proceedings of the National Academy of Sciences（PNAS）發表咗"Racial disparities in automated speech recognition"。研究團隊測試咗來自 Amazon、Apple、Google、IBM 同 Microsoft 五個主流商業系統。
喺全部五個系統之中，黑人講者嘅平均字詞錯誤率為0.35，即35%，白人講者則為0.19，即19%。用白話講，即使講者喺年齡同性別上經過配對、講嘅內容完全一樣，呢啲系統聽錯咗黑人講者大約35%嘅字，白人講者就只有19%。錯誤率喺非裔美國男性身上最高，而講者越多使用非裔美式英語（African American Vernacular English），落差就越大。
研究亦檢視咗「災難性失敗」，即係轉錄錯到完全冇用嘅情況。呢種情況出現喺超過20%嘅黑人講者樣本，而白人講者樣本就少於2%。研究人員將呢個落差歸因於訓練數據對黑人美國人語音代表性不足，並認為解決方法係喺訓練中加入更具代表性嘅音訊，同埋引入獨立審核。
有兩點誠實嘅但書要講。呢啲測試喺2019年進行，而各公司之後都更新過自己嘅系統，所以呢啲具體數字反映嘅係當時嘅情況。而且呢份研究專門針對美式英語，同黑人與白人講者嘅比較。不過發現嘅趨勢，即係 ASR 錯誤並非平均分佈，喺之後嘅口音研究入面都持續成立。核心教訓依然成立：單一嘅準確度數字，會掩蓋咗系統對邊個好用、對邊個唔好用。
咁 AI 轉錄實際上有幾準確？
綜合以上證據：
- 喺乾淨、單一講者嘅音訊上，現代系統嘅準確度大約有95%至98%，接近細心嘅人手水平。
- 喺良好條件下嘅清晰對話語音上，錯誤會比有聲書音訊多，但大致仍然喺專業人手轉錄員嘅範圍內，WER 大約6%至12%。
- 喺帶口音嘅語音、嘈雜音訊、講者重疊或者專門詞彙上，準確度可以大幅下跌，有時甚至跌一半以上。
- 錯誤並非平均分佈，已被記錄嘅落差意味住某啲講者持續得到比其他人差嘅結果。
對於風險較低嘅用途，例如 Podcast 嘅初稿、可搜尋嘅存檔，或者個人語音備忘，現時嘅 AI 轉錄已經夠快、夠平、夠好用。但對於高風險嘅用途，任何同醫療、法律或者財務有關，或者涉及人名、數字或決定嘅場合，研究一致指向同一個建議：將 AI 轉錄當成一份紮實嘅初稿，而唔係最終紀錄，重要嘅部分要核實。
呢個亦係我哋一貫嘅誠實立場。Transcribbit 會將轉發過嚟嘅 WhatsApp 語音訊息，喺幾秒之內變成乾淨、易讀嘅文字，而轉錄文本勝過重播音訊嘅原因，係你可以一眼掃過去、搜尋內容，快速核對人名或者數字，而唔使將錄音揈返轉頭慢慢搵。就算轉錄文本睇落好乾淨，都值得讀清楚當中重要嘅細節，唔應該假設佢一定啱，呢個亦正正係點解語音訊息變成文字之後會容易處理得多。免費方案每個月有50次轉錄，而你嘅音訊喺處理完之後會即刻刪除。免費試用。
常見問題
轉錄嘅字詞錯誤率（WER）幾多先算好？
喺乾淨音訊上，WER 低於大約5%一般被視為非常好，接近專業人手水平。喺較難處理嘅音訊上，有噪音、口音或者多名講者，即使係設計良好嘅系統，都可能落喺10%至25%或以上嘅範圍，所以「好」呢個標準好視乎錄音條件。
AI 轉錄係咪比人手轉錄準確？
喺乾淨、單一講者嘅音訊上，最好嘅 AI 系統現時已經同熟練人手不相上下，有時純粹計 WER 甚至略勝一籌。但喺混亂音訊、講者重疊、陌生人名同理解語境呢幾方面，人手仍然佔優，而呢啲正正就係 AI 傾向出錯嘅地方。
點解 AI 轉錄會將口音轉錯？
因為呢啲系統係由錄音語料學習，如果訓練數據過度集中喺某啲口音，模型喺呢啲口音上表現就會最好，喺其他口音上就會較差。多份研究都記錄到非母語口音準確度較低，同埋唔同講者群組之間存在大落差。呢個錯誤反映嘅係模型嘅訓練數據，唔喺講者本身。
AI 轉錄可唔可以信得過用喺醫療或者法律紀錄？
佢可以係一份有用嘅初稿，但研究建議唔好喺高風險場合將佢當成未經核實嘅最終紀錄。因為 WER 對待每個字都一視同仁，所以一個系統整體評分可以好好，但依然轉錯咗最重要嘅一個人名、劑量或者數字。由人手覆核重要細節，依然係安全嘅做法。
AI 轉錄一條 WhatsApp 語音訊息有幾準確？
完全視乎錄音本身。一個人喺安靜房間錄嘅清晰語音訊息，準確度會接近範圍嘅上限，但喺大風嘅街上匆忙錄低、帶重口音，或者背景有音樂嘅語音訊息，準確度就可以跌落好多。因為好多語音訊息本身就係呢種喺路上匆忙、雜亂嘅錄音，所以讀清楚轉錄內容，再核對地址、時間或者數字，先係安全嘅做法。
總結
2026年嘅 AI 轉錄，表現確實令人印象深刻，但亦確實參差不齊。同一個能夠完美處理有聲書嘅模型，喺嘈雜嘅群組通話、濃重口音，或者一個從未見過嘅人名面前，都可能大幅失準，而研究清楚顯示，呢啲失誤對某啲講者嘅打擊，遠比對其他人嚴重。
所以「AI 轉錄有幾準確」呢個問題，實用嘅答案係：準確到足以幫你慳返實實在在嘅時間，但唔準確到可以喺重要嘅事情上盲目信任。讀清楚轉錄內容，留意人名同數字，將沉悶嘅部分交畀機器去做。Transcribbit 會將你嘅 WhatsApp 語音訊息，變成超過50種語言嘅可搜尋文字，免費方案每個月有50次轉錄，事後亦唔會保留音訊，詳情請睇 transcribbit.io。
References
- Whisper: An MLPerf Inference Benchmark for Automatic Speech Recognition (MLCommons, 2025) - mlcommons.org
- Comparing Human and Machine Errors in Conversational Speech Transcription (Stolcke and Droppo, Microsoft, 2017) - arxiv.org
- Evaluating OpenAI's Whisper ASR: Performance across diverse accents and speaker traits (Graham and Roll, JASA Express Letters, 2024) - pubs.aip.org
- Racial disparities in automated speech recognition (Koenecke et al., PNAS, 2020) - pnas.org
