Jeśli kiedykolwiek nagrałeś spotkanie w Hongkongu i przetworzyłeś je przez aplikację do transkrypcji, wiesz, że język kantoński jest jednym z trudniejszych do poprawnego rozpoznania. Zdanie takie jak „我想去 Causeway Bay 開會 prepare 一下 個 deck" miesza kantoński i angielski w jednym oddechu — i właśnie ta mieszanina odsłania ograniczenia większości narzędzi transkrypcyjnych.
Nie jest to problem niszowy. Przełączanie kodów (code-switching) — czyli przechodzenie między kantońskim a angielskim w połowie zdania — jest codziennym rejestrem biznesu, technologii i życia codziennego w Hongkongu. Jest to jednocześnie jedno z najtrudniejszych technicznie wyzwań w rozpoznawaniu mowy chińskiej.
Przygotowaliśmy neutralne, praktyczne porównanie najważniejszych narzędzi do kantońskiego rozpoznawania mowy w 2026 roku — Google, Apple, Microsoft Azure, OpenAI Whisper, Otter.ai, iFLYTEK, ElevenLabs i Speechmatics — analizując dokładność, przełączanie kodów, prywatność oraz to, jak łatwo jest z każdego z nich korzystać na co dzień. Każde z tych narzędzi wyróżnia się w czymś innym; celem jest pomoc w dobraniu właściwego do Twoich potrzeb.
Jak mierzona jest dokładność
Dokładność transkrypcji jest zazwyczaj podawana jako wskaźnik błędu słownego (WER) lub wskaźnik błędu znaków (CER) — odsetek słów lub znaków różniących się od poprawnego odniesienia. Im niższy wynik, tym lepiej. Poniżej około 5% to doskonały wynik; około 20% oznacza zwykle konieczność znaczących ręcznych poprawek.
Najszerzej cytowanym publicznym punktem odniesienia dla języka kantońskiego jest zbiór danych Common Voice Yue — nagrania prawdziwych użytkowników języka kantońskiego czytających na głos. Na tym czystym, odczytywanym kantońskim niezależne testy wykazały następujące wskaźniki błędów znaków:
| Silnik | Raportowany CER (Common Voice Yue) | Uwagi |
|---|---|---|
| Apple (na urządzeniu) | ~7,4% | Działa lokalnie na Mac/iPhone |
| Google Cloud Speech-to-Text | ~11,4% | Model „yue-Hant-HK" |
| Microsoft Azure / Cognitive Services | ~22,5% | Dobre narzędzia deweloperskie |
W tym benchmarku kantońskie modele Apple'a wypadają dobrze — raportowany CER jest o około 35% niższy niż Google i o 67% niższy niż Microsoft na tym konkretnym zbiorze danych, a całe przetwarzanie odbywa się na urządzeniu. Dla osoby dyktującej czysty kantoński na Macu jest to naprawdę dobra, darmowa opcja.
Ważne zastrzeżenie: ten benchmark mierzy czysty, odczytywany, jednoosobowy kantoński bez angielskiego. Tak jednak większość ludzi w Hongkongu naprawdę nie mówi.
Dlaczego przełączanie kodów jest prawdziwym testem
Common Voice to staranna, jednojęzyczna mowa. Codzienny hongkoński kantoński jest konwersacyjny, szybki i wymieszany z angielskim:
„個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"
Wynik benchmarku na czystym kantońskim niewiele mówi o tym, jak narzędzie poradzi sobie z takim zdaniem. Badania naukowe dotyczące przełączania kodów kantońsko-angielskich wskazują na dwa powody, dla których jest to trudne dla każdego silnika:
- Angielski z akcentem kantońskim brzmi inaczej niż „standardowy" angielski, co może dezorientować angielski model językowy.
- Ograniczone dane treningowe z przełączaniem kodów — wiele systemów było trenowanych głównie na jednojęzycznym kantońskim lub jednojęzycznym angielskim, a nie na ich naturalnym połączeniu.
Dotyczy to całej branży, a nie żadnej konkretnej marki. W szerszych testach audio z przełączaniem kodów obniżało dokładność w popularnych narzędziach — jedno szeroko cytowane badanie odnotowało spadek dokładności przy mieszaniu hiszpańskiego z angielskim. Praktyczny wniosek: dla hongkońskiego audio to, jak narzędzie radzi sobie z angielskim wplecionym w kantoński, ma większe znaczenie niż główny wynik benchmarku.
Narzędzia jedno po drugim
Otter.ai
Otter jest jedną z najpopularniejszych aplikacji do transkrypcji, oferującą doskonałe funkcje obsługi spotkań i podsumowania. Od 2026 roku jej transkrypcja jest ukierunkowana na język angielski i nie obsługuje transkrypcji kantońskiej. Jeśli szukasz konkretnie transkrypcji kantońskiej, będziesz potrzebować narzędzia z natywną obsługą tego języka.
OpenAI Whisper
Whisper obsługuje bardzo szeroki zakres języków i może transkrybować kantoński. Domyślnie ma tendencję do generowania pisanego standardowego chińskiego (na przykład „他們" zamiast potocznego „佢哋"). Istnieją dostrojone przez społeczność modele kantońskie zachowujące potoczny zapis, ale ich użycie wymaga pewnej wiedzy technicznej — Whisper najlepiej sprawdza się zatem u deweloperów i zaawansowanych użytkowników, a nie u osób, które po prostu chcą otworzyć aplikację.
Google Cloud Speech-to-Text
Model Google „yue-Hant-HK" skaluje się dobrze i jest solidnym wyborem do szybkich szkiców i masowego zautomatyzowanego przetwarzania w ramach Google Cloud. Podobnie jak w przypadku większości zautomatyzowanych silników, surowy wynik zwykle wymaga przejrzenia, a angielski z przełączaniem kodów może wymagać korekty. Jest to produkt API/deweloperski, a nie aplikacja konsumencka.
Microsoft Azure AI Speech
Azure oferuje dobre narzędzia deweloperskie i czyste połączenie z przepływami pracy w chmurze Microsoft, co czyni go popularnym wyborem dla zespołów inżynierskich. Jego dokumentacja wskazuje, że kantońskie dane wyjściowe korzystają z przeglądu tam, gdzie przełączanie kodów jest zaangażowane. Podobnie jak Google, jest skierowany do deweloperów tworzących własne aplikacje.
iFLYTEK (科大訊飛)
iFLYTEK jest wiodącą firmą zajmującą się sztuczną inteligencją mowy i poczyniła duże inwestycje w Hongkongu. Obecnie oferuje obsługę kantońskiego skierowaną bezpośrednio do lokalnego rynku — w tym System Konferencyjny Wielojęzyczny iFLYREC (edycja Hongkong i Makao) oraz rozwiązania spotkaniowe umożliwiające użytkownikom przełączanie między kantońskim, mandaryńskim i angielskim, a także opcje lokalne i dedykowany sprzęt do tłumaczenia. Jest to kompetentna, poważna opcja, szczególnie dla wdrożeń korporacyjnych i konferencyjnych, gdzie hosting lokalny lub dedykowany sprzęt pasuje do przepływu pracy.
ElevenLabs Scribe i Speechmatics
Oba to silne, nowoczesne silniki rozpoznawania mowy. ElevenLabs umieszcza kantoński w swoim poziomie wyższej dokładności, a Speechmatics reklamuje wysoką dokładność przy niskim opóźnieniu. Oba to przede wszystkim usługi chmurowe, płatne, zorientowane na API — doskonałe elementy budulcowe dla deweloperów, z przetwarzaniem audio w chmurze.
Porównanie zbiorcze
| Narzędzie | Obsługa kantońskiego | Najlepsze dla | Działa na urządzeniu | Typowy dostęp |
|---|---|---|---|---|
| Otter.ai | Ukierunkowane na angielski | Spotkania anglojęzyczne | Nie | Aplikacja abonamentowa |
| Apple Dictation | Tak (dobre na czystym audio) | Dyktowanie na Mac/iPhone | Tak | Wbudowane, bezpłatne |
| Google Cloud STT | Tak | Deweloperzy, masowe szkice | Nie | API / płatność za użycie |
| Microsoft Azure | Tak | Deweloperzy, przepływy MS | Nie | API / płatność za użycie |
| OpenAI Whisper | Tak (→ pisany chiński) | Deweloperzy, zaawansowani użytkownicy | Tak (wymagania techniczne) | Open-source / własny hosting |
| iFLYTEK | Tak (trójjęzyczny HK) | Przedsiębiorstwa, konferencje | Opcja lokalna | Korporacyjny / sprzętowy |
| ElevenLabs / Speechmatics | Tak | Deweloperzy | Nie | Płatne API |
| Traverba | Tak (dostrojone do HK) | Codzienni użytkownicy | Tak | Bezpłatna aplikacja |
Nie ma jednego „najlepszego" wyboru — zależy od tego, co chcesz robić. Deweloper budujący produkt pokocha Whisper lub Azure. Organizator konferencji może być najlepiej obsłużony przez dedykowany system iFLYTEK. Użytkownik Maca dyktujący czysty kantoński ma Apple wbudowane za darmo.
Trzy pytania, które pomogą wybrać właściwe narzędzie
1. Ile angielskiego jest w Twoim audio? Jeśli Twoje nagrania są głównie czystym kantońskim, wyniki benchmarków są dobrym wskaźnikiem. Jeśli są pełne angielskiego wplecionego w połowie zdań — jak na większości spotkań w Hongkongu — priorytetem powinno być narzędzie specjalnie zbudowane lub dostrojone do przełączania kodów.
2. Gdzie przetwarzane jest Twoje audio? Transkrypcja chmurowa oznacza przesyłanie nagrań na serwer zewnętrzny. W przypadku poufnych spotkań, audio medycznego lub prawnego, przetwarzanie na urządzeniu pozwala zachować dane na telefonie lub komputerze.
3. Jak zaawansowany technicznie jesteś? Whisper, Azure i silniki API to narzędzia deweloperskie. Systemy konferencyjne iFLYTEK to wdrożenia korporacyjne. Jeśli chcesz po prostu otworzyć aplikację, nacisnąć nagrywanie i przeczytać transkrypcję, potrzebujesz aplikacji konsumenckiej zaprojektowanej właśnie do tego.
Gdzie pasuje Traverba
Traverba jest zbudowana dla tej ostatniej grupy — codziennych użytkowników, którzy chcą czegoś prostego. Bez kluczy API, bez konta w chmurze, bez wdrożeń korporacyjnych. Otwierasz aplikację i działa.
Główny nacisk jest na język, którym ludzie w Hongkongu faktycznie się posługują: kantoński z wplecionym angielskim. Zamiast traktować angielski jako coś do usunięcia, Traverba jest dostrojona do lokalnych wzorców mowy — angielskiego wplecionego w połowie zdania, nazw marek i slangu z prawdziwych rozmów. A ponieważ przetwarzanie odbywa się na urządzeniu, Twoje audio pozostaje przy Tobie, a nie jest przesyłane na serwer.
Traverba nie próbuje zastąpić korporacyjnego systemu konferencyjnego ani profesjonalnego ludzkiego transkryptora — te mają swoje miejsce. Jest zbudowana na codzienne chwile, gdy kantoński i angielski przenikają się nawzajem i po prostu potrzebujesz czytelnego tekstu, szybko, na własnym telefonie.
Wypróbuj
Traverba jest bezpłatna na obu platformach — tłumaczenie głosowe, tłumaczenie przez kamerę, tłumaczenie ekranu i tłumaczenie tekstu są bezpłatne i nieograniczone.
Dostępna w Google Play i App Store. Dowiedz się więcej na traverba.com.
Każde narzędzie w tym porównaniu wyróżnia się w czymś innym. Jeśli potrzebujesz prostej aplikacji działającej na urządzeniu, dostrojonej do codziennego hongkońskiego kantońskiego z angielskim — Traverba jest zbudowana dokładnie do tego.
Dane dotyczące dokładności przytoczone powyżej pochodzą z publicznych benchmarków kantońskiego ASR na zbiorze danych Common Voice Yue oraz opublikowanych badań nad przełączaniem kodów kantońsko-angielskich. Obsługa funkcji i języków odzwierciedla ofertę każdego dostawcy według stanu na czerwiec 2026 roku i może ulec zmianie. Rzeczywista dokładność różni się w zależności od jakości audio, akcentów i ilości angielskiego w rozmowie; zachęcamy czytelników do testowania narzędzi na własnym audio.