如果你曾在香港录制会议并用转录软件处理，你一定知道粤语是最难准确识别的语言之一。像"我想去 Causeway Bay 開會 prepare 一下 個 deck"这样的句子，粤语和英语在同一口气中交替出现——而这种混用，正是大多数转录工具的短板所在。
这绝非小众问题。语码转换——在句子中途在粤语和英语之间切换——是香港商业、科技和日常生活的常见表达方式，也是中文语音识别中技术难度最高的问题之一。
本文对2026年主流粤语语音转文字工具进行了中立、实用的横向对比，涵盖 Google、Apple、Microsoft Azure、OpenAI Whisper、Otter.ai、iFLYTEK、ElevenLabs 和 Speechmatics，从准确率、语码转换、隐私保护到普通用户的实际易用性逐一评估。每款工具都有其所长，本文旨在帮助你找到最适合自己需求的那一款。
准确率的衡量方式
转录准确率通常以**词错误率（WER）或字符错误率（CER）**来衡量，即与正确参考文本相比，出错的词或字符所占的百分比。数值越低越好。低于5%属于优秀；约20%则意味着需要大量人工校对。
目前最广泛引用的粤语公开基准数据集是 Common Voice Yue——由真实粤语母语者朗读录制。基于该数据集的干净朗读粤语，独立测试报告了以下字符错误率：
| 引擎 | 报告 CER（Common Voice Yue） | 备注 |
|---|---|---|
| Apple（本地处理） | ~7.4% | 在 Mac/iPhone 本地运行 |
| Google Cloud Speech-to-Text | ~11.4% | "yue-Hant-HK" 模型 |
| Microsoft Azure / Cognitive Services | ~22.5% | 开发者工具完善 |
按此基准，Apple 的本地粤语模型表现突出——其报告 CER 比 Google 低约35%，比 Microsoft 低约67%，且完全在设备本地运行。对于一个人用 Mac 进行纯粤语听写而言，这是一个真正出色的免费选项。
需要特别指出的是：该基准测试的是干净、单人朗读、不含英语的纯粤语。而这并不是香港大多数人实际说话的方式。
语码转换才是真正的考验
Common Voice 使用的是经过精心准备的单语语音。而香港日常粤语是对话式的、语速快的，并夹杂着英语：
"個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"
在纯粤语上的基准分数，很难反映工具处理这类句子的能力。学术研究指出，粤英语码转换之所以对任何引擎都构成挑战，主要有两个原因：
- 带粤语口音的英语听起来与"标准"英语不同，可能会干扰英语语音模型的识别。
- 语码转换训练数据匮乏——许多系统主要以单语粤语或单语英语训练，而非两者自然混合的语料。
这是整个行业面临的共同挑战，并非某一品牌独有的问题。在更广泛的测试中，语码转换音频会导致主流工具的准确率下降——一项被广泛引用的研究显示，西班牙语-英语混合音频的准确率出现明显下滑。实际结论是：对于香港录音，工具处理粤语中英文混用的能力，比其标题基准分数更重要。
各工具逐一解析
Otter.ai
Otter 是最受欢迎的转录应用之一，会议功能和摘要生成表现出色。截至2026年，其转录功能以英语为主，不提供粤语转录。如果你明确需要粤语支持，请选择具备原生粤语支持的工具。
OpenAI Whisper
Whisper 支持的语言范围极广，可以转录粤语。但默认情况下，它倾向于输出书面普通话（例如输出"他们"而非口语化的"佢哋"）。社区存在针对粤语微调的模型，可保留口语化输出，但使用这些模型需要一定的技术配置，因此 Whisper 更适合开发者和高级用户，而非只想打开应用就能用的普通用户。
Google Cloud Speech-to-Text
Google 的"yue-Hant-HK"模型扩展性好，是在 Google Cloud 内进行快速草稿和大规模自动化处理的可靠选择。与大多数自动化引擎一样，原始输出通常需要人工审核，语码转换中的英文部分可能需要校对。它是面向开发者的 API 产品，而非消费级应用。
Microsoft Azure AI Speech
Azure 提供完善的开发者工具和与 Microsoft 云工作流的深度集成，使其成为工程团队的热门选择。其文档说明，在涉及语码转换的场景下，粤语输出需要人工审核。与 Google 一样，它面向的是构建自有应用的开发者。
iFLYTEK（科大讯飞）
iFLYTEK 是领先的语音 AI 公司，在香港市场投入颇多。目前已推出直接面向本地市场的粤语支持产品，包括讯飞听见多语言会议系统（港澳版）以及支持用户在粤语、普通话和英语之间切换的会议解决方案，并提供本地部署选项和翻译硬件。对于需要本地部署或专用硬件的企业和会议场景，这是一个成熟可靠的选择。
ElevenLabs Scribe 与 Speechmatics
两者均为性能强劲的现代语音转文字引擎。ElevenLabs 将粤语列入其高精度层级，Speechmatics 则以高准确率和低延迟为卖点。两者均主要面向云端、付费、API优先的开发者场景，音频在云端处理，是构建产品的优质技术组件。
横向对比总览
| 工具 | 粤语支持 | 最适合 | 本地处理 | 访问方式 |
|---|---|---|---|---|
| Otter.ai | 以英语为主 | 英语会议 | 否 | 订阅制应用 |
| Apple 听写 | 支持（纯粤语效果好） | Mac/iPhone 听写 | 是 | 内置，免费 |
| Google Cloud STT | 支持 | 开发者、批量草稿 | 否 | API / 按量付费 |
| Microsoft Azure | 支持 | 开发者、微软工作流 | 否 | API / 按量付费 |
| OpenAI Whisper | 支持（→书面中文） | 开发者、高级用户 | 是（需技术配置） | 开源 / 自托管 |
| iFLYTEK | 支持（港澳三语） | 企业、会议 | 支持本地部署 | 企业 / 硬件 |
| ElevenLabs / Speechmatics | 支持 | 开发者 | 否 | 付费 API |
| Traverba | 支持（香港调优） | 日常用户 | 是 | 免费应用 |
没有绝对的"最佳"选择——一切取决于你的使用场景。开发者构建产品会喜欢 Whisper 或 Azure；会议主办方可能更适合 iFLYTEK 的专用系统；Mac 用户听写纯粤语则有免费的 Apple 内置功能可用。
选对工具的三个问题
1. 你的音频中含有多少英语？ 如果录音以纯粤语为主，标题基准数据可以作为参考。如果充满句中英语——就像香港大多数商务会议那样——应优先选择专门针对语码转换进行训练或调优的工具。
2. 你的音频在哪里处理？ 云端转录意味着将录音上传至第三方服务器。对于涉及敏感内容的会议、医疗或法律录音，本地处理可将数据保留在你的手机或电脑上。
3. 你的技术水平如何？ Whisper、Azure 以及各类 API 引擎都是面向开发者的工具；iFLYTEK 的会议系统是企业级部署方案。如果你只想打开应用、按下录音、读取文字，那么你需要的是专为此设计的消费级应用。
Traverba 的定位
Traverba 正是为最后这类用户而生——只想简单使用的日常用户。无需 API 密钥，无需云账户，无需企业部署。打开应用即可使用。
其核心聚焦于香港人实际说的语言：夹杂英语的粤语。Traverba 并不把英语视为需要过滤的噪音，而是针对本地语言习惯进行了专项调优——涵盖真实对话中句中英语、品牌名称和港式俚语。由于采用本地处理，你的音频留在你自己的设备上，不会上传至服务器。
Traverba 无意取代企业级会议系统或专业人工转录员——它们各有其适用场景。Traverba 专为日常场景而设计：粤语和英语交织在一起，你只需要在自己的手机上快速得到可读的文字。
立即体验
Traverba 在两大平台均免费提供——语音翻译、拍照翻译、屏幕翻译和文字翻译全部免费且无使用限制。
可在 Google Play 和 App Store 下载。了解更多请访问 traverba.com。
本文提及的每款工具都有其所长。如果你需要的是一款简单、本地处理、专为香港日常粤英混用场景调优的应用，Traverba 正是为此而生。
上文引用的准确率数据来自 Common Voice Yue 数据集上的公开粤语 ASR 基准测试，以及已发表的粤英语码转换研究。功能和语言支持情况反映各服务商截至2026年6月的产品状态，可能随时更新。实际准确率因音频质量、口音及对话中英语比例而有所差异，建议读者以自己的音频实际测试各工具。