Если вы когда-либо записывали встречу в Гонконге и прогоняли её через приложение для транскрипции, вы знаете, что кантонский язык — один из самых сложных для точного распознавания. Фраза вроде «我想去 Causeway Bay 開會 prepare 一下 個 deck» смешивает кантонский и английский в одном предложении — и именно здесь большинство инструментов обнаруживают свои ограничения.
Это не редкость. Переключение кодов — переход между кантонским и английским в середине предложения — является обычным регистром делового, технологического и повседневного общения в Гонконге. Это также одна из наиболее технически сложных задач в распознавании китайской речи.
Мы составили нейтральное, практическое сравнение основных инструментов распознавания кантонской речи в 2026 году — Google, Apple, Microsoft Azure, OpenAI Whisper, Otter.ai, iFLYTEK, ElevenLabs и Speechmatics — с анализом точности, переключения кодов, конфиденциальности и простоты использования для обычного пользователя. Каждый из этих инструментов в чём-то хорош; цель — помочь вам подобрать подходящий под ваши задачи.
Как измеряется точность
Точность транскрипции обычно выражается через Word Error Rate (WER) или Character Error Rate (CER) — процент слов или символов, отличающихся от эталонного текста. Чем ниже, тем лучше. Результат ниже примерно 5% считается отличным; около 20% означает, что потребуется значительная ручная правка.
Наиболее широко используемым публичным бенчмарком для кантонского языка является набор данных Common Voice Yue — записи носителей кантонского, читающих вслух. На этом чистом материале в режиме чтения вслух независимые тесты показали следующие показатели частоты ошибок символов:
| Движок | Задокументированный CER (Common Voice Yue) | Примечания |
|---|---|---|
| Apple (на устройстве) | ~7,4% | Работает локально на Mac/iPhone |
| Google Cloud Speech-to-Text | ~11,4% | Модель "yue-Hant-HK" |
| Microsoft Azure / Cognitive Services | ~22,5% | Мощные инструменты для разработчиков |
По этому бенчмарку кантонская модель Apple, работающая на устройстве, показывает хорошие результаты — её задокументированный CER примерно на 35% ниже, чем у Google, и на 67% ниже, чем у Microsoft на этом конкретном наборе данных, при этом она работает полностью локально. Для одного пользователя, диктующего чистый кантонский на Mac, это действительно хороший и бесплатный вариант.
Важная оговорка: этот бенчмарк измеряет чистую, читаемую вслух, однодикторную речь на кантонском без английских слов. Именно так большинство жителей Гонконга и не говорят.
Почему переключение кодов — настоящий тест
Common Voice — это тщательная, одноязычная речь. Повседневный кантонский Гонконга разговорный, быстрый и смешан с английским:
«個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。»
Оценка бенчмарка на чистом кантонском мало говорит о том, как инструмент справится с такой фразой. Академические исследования переключения кодов кантонский-английский указывают на две причины, по которым это сложно для любого движка:
- Английский с кантонским акцентом звучит иначе, чем «стандартный» английский, что может запутать англоязычную модель.
- Ограниченность обучающих данных с переключением кодов — многие системы обучались преимущественно на одноязычном кантонском или одноязычном английском, а не на их естественном смешении.
Это касается всей отрасли, а не какого-то одного бренда. В расширенных тестах аудио с переключением кодов снижало точность у популярных инструментов — одно широко цитируемое исследование зафиксировало падение точности при испанско-английском смешении. Практический вывод: для гонконгских аудиозаписей то, как инструмент обрабатывает английский в кантонском, важнее, чем его итоговый бенчмарковый показатель.
Инструменты по одному
Otter.ai
Otter — одно из самых популярных приложений для транскрипции с отличными функциями работы с совещаниями и создания резюме. По состоянию на 2026 год его транскрипция ориентирована на английский язык, и кантонская транскрипция не поддерживается. Если вы ищете именно кантонский, вам нужен инструмент с нативной поддержкой.
OpenAI Whisper
Whisper поддерживает очень широкий спектр языков и может транскрибировать кантонский. По умолчанию он склонен выдавать письменный стандартный китайский (например, «他們» вместо разговорного «佢哋»). Существуют дообученные сообществом кантонские модели, сохраняющие разговорный вывод, но их использование требует технической настройки, поэтому Whisper больше подходит разработчикам и опытным пользователям, а не тем, кто просто хочет открыть приложение.
Google Cloud Speech-to-Text
Модель Google «yue-Hant-HK» хорошо масштабируется и является надёжным выбором для быстрых черновиков и крупномасштабной автоматической обработки в рамках Google Cloud. Как и в большинстве автоматических движков, необработанный вывод обычно требует проверки, а переключённый на английский может нуждаться в правке. Это API-продукт для разработчиков, а не потребительское приложение.
Microsoft Azure AI Speech
Azure предлагает мощные инструменты для разработчиков и чистую интеграцию с рабочими процессами Microsoft Cloud, что делает его популярным выбором для инженерных команд. В документации отмечается, что кантонский вывод выигрывает от проверки там, где присутствует переключение кодов. Как и Google, он ориентирован на разработчиков, создающих собственные приложения.
iFLYTEK (科大訊飛)
iFLYTEK — ведущая компания в области речевого ИИ, активно инвестирующая в Гонконге. Сейчас она предлагает поддержку кантонского языка, напрямую ориентированную на местный рынок, включая iFLYREC Multilingual Conference System (Hong Kong & Macao Edition) и решения для совещаний, позволяющие пользователям переключаться между кантонским, путунхуа и английским, а также локальные варианты развёртывания и аппаратные переводчики. Это компетентный и серьёзный вариант, особенно для корпоративных и конференционных развёртываний, где локальное размещение или специализированное оборудование соответствует рабочему процессу.
ElevenLabs Scribe и Speechmatics
Оба представляют собой мощные современные движки для распознавания речи. ElevenLabs относит кантонский к своему уровню повышенной точности, а Speechmatics заявляет о высокой точности при низкой задержке. Оба являются преимущественно облачными платными API-сервисами — отличными строительными блоками для разработчиков, при этом аудио обрабатывается в облаке.
Сводное сравнение
| Инструмент | Поддержка кантонского | Лучше всего подходит для | Работает на устройстве | Типичный доступ |
|---|---|---|---|---|
| Otter.ai | Ориентирован на английский | Встречи на английском | Нет | Приложение по подписке |
| Apple Dictation | Да (сильный на чистом аудио) | Диктовка на Mac/iPhone | Да | Встроенный, бесплатный |
| Google Cloud STT | Да | Разработчики, массовые черновики | Нет | API / оплата по факту |
| Microsoft Azure | Да | Разработчики, рабочие процессы MS | Нет | API / оплата по факту |
| OpenAI Whisper | Да (→ письменный китайский) | Разработчики, опытные пользователи | Да (технический) | Открытый код / самостоятельный хостинг |
| iFLYTEK | Да (трёхъязычный HK) | Корпоративный сектор, конференции | Локальный вариант | Корпоративный / аппаратный |
| ElevenLabs / Speechmatics | Да | Разработчики | Нет | Платный API |
| Traverba | Да (настроен под HK) | Обычные пользователи | Да | Бесплатное приложение |
Нет единственного «лучшего» — всё зависит от ваших задач. Разработчик, создающий продукт, оценит Whisper или Azure. Организатору конференции лучше всего подойдёт специализированная система iFLYTEK. Пользователю Mac, диктующему чистый кантонский, Apple доступен встроенно и бесплатно.
Три вопроса, которые помогут выбрать подходящий инструмент
1. Сколько английского в вашем аудио? Если ваши записи преимущественно на чистом кантонском, бенчмарковые показатели служат хорошим ориентиром. Если в них много английского в середине предложений — как на большинстве гонконгских встреч — отдайте предпочтение инструменту, специально созданному или настроенному для переключения кодов.
2. Где обрабатывается ваше аудио? Облачная транскрипция означает загрузку ваших записей на сторонний сервер. Для конфиденциальных встреч, медицинского или юридического аудио обработка на устройстве сохраняет данные на вашем телефоне или компьютере.
3. Насколько вы технически подготовлены? Whisper, Azure и API-движки — это инструменты для разработчиков. Конференционные системы iFLYTEK — корпоративные развёртывания. Если вы просто хотите открыть приложение, нажать «запись» и прочитать транскрипцию, вам нужно потребительское приложение, разработанное для этого.
Место Traverba в этом сравнении
Traverba создан для последней группы — обычных пользователей, которым нужна простота. Никаких API-ключей, облачных аккаунтов, корпоративного внедрения. Вы открываете приложение — и оно работает.
Фокус — на языке, на котором реально говорят в Гонконге: кантонском вперемешку с английским. Вместо того чтобы воспринимать английский как что-то, что нужно отфильтровать, Traverba настроен на местные речевые паттерны — английские слова в середине предложений, названия брендов и сленг из реальных разговоров. А поскольку обработка происходит на устройстве, ваше аудио остаётся у вас, а не загружается на сервер.
Traverba не пытается заменить корпоративную конференционную систему или профессионального транскрибировщика — у них есть своё место. Он создан для повседневных ситуаций, когда кантонский и английский переплетаются, а вам просто нужен читаемый текст — быстро, на своём телефоне.
Попробуйте
Traverba бесплатен на обеих платформах — перевод голоса, перевод с камеры, перевод экрана и перевод текста — всё бесплатно и без ограничений.
Доступно в Google Play и App Store. Подробнее на traverba.com.
Каждый инструмент в этом сравнении в чём-то хорош. Если вам нужно простое приложение с обработкой на устройстве, настроенное под повседневный кантонско-английский Гонконга, Traverba создан именно для этого.
Показатели точности, упомянутые выше, взяты из публичных бенчмарков кантонского ASR на наборе данных Common Voice Yue и опубликованных исследований переключения кодов кантонский-английский. Поддержка функций и языков отражает возможности каждого провайдера по состоянию на июнь 2026 года и может меняться. Реальная точность варьируется в зависимости от качества аудио, акцентов и количества английского в разговоре; мы рекомендуем читателям тестировать инструменты на собственных аудиозаписях.