為什麼你的粵語會議記錄總是「不太對」？粵英夾雜與口語／書面語的兩道斷層

很多人第一次用 AI 工具做粵語會議記錄，反應都差不多：看起來像模像樣，但總覺得「不太對」。字面上沒有明顯錯處，可是對照記憶裡的對話，總有些東西不見了。

這種落差通常不是來自大家最直覺會想到的「辨識率」。純粵語、單一講者、環境安靜的情況下，今天主流工具的表現其實已經相當可用。問題出在另外兩個地方，而它們恰好是香港日常對話最常見的兩種形態。

第一，一句話裡中英夾雜的時候，辨識品質會明顯下跌。第二，就算聽對了，輸出的文字往往已經被改寫成書面中文，不再是你當下講的那句話。

這兩件事的成因不同，影響的場景也不同，值得分開講清楚。

30 秒快速結論

• 中英夾雜是有代價的，而且代價可以量化 → 公開研究文獻顯示，粵英語碼轉換內容的字元錯誤率約在 20%–26% 之間，而同類系統處理單一語言內容時約為 6%–8%。差距達三到四倍。
• 「聽對」和「寫對」是兩件事 → 你講「幾時搞掂」，記錄寫成「什麼時候完成」，語意保住了，原話沒有了。
• 這在多數場景無所謂，在少數場景很要命 → 閒聊摘要不受影響；醫療問診、社福個案、調解記錄、研究訪談則相反。
• 粵語資料量在 2025 年出現數量級變化 → 從數十小時級別的公開語料，跳到 WenetSpeech-Yue 的 21,800 小時，但語碼轉換仍是未解的部分。
• 選工具之前，先想清楚你要的是「意思」還是「原話」 → 兩者需要的設定不一樣，文末有一份判斷清單。

先分清楚兩件事：辨識 vs. 呈現

討論粵語記錄品質時，很容易把兩個獨立環節混為一談。

辨識（ASR） 是把聲音變成文字。這一步的失敗是「聽錯」——聽不出你講了什麼，或者把音近的詞認成別的字。

呈現 是決定這些文字最後以什麼形態出現。這一步的失敗是「改寫」——聽得很準，但輸出時把口語順成了書面語。

大部分人投訴的「粵語記錄不準」，其實是這兩層各自出問題，而且需要用完全不同的方法處理。第一層是模型能力和訓練資料的問題，第二層則多數是設計選擇的問題——而且往往是刻意的。

斷層一：粵英夾雜

為什麼這件事特別難

「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」

這句話在香港毫不特別，但對辨識系統來說，它要求的能力和純粵語句子完全不同。系統必須在同一句、甚至同一個氣口之內，即時切換兩套完全不同的音韻系統與詞彙庫，而且切換點沒有任何預告。

更麻煩的是，香港人講英文詞的時候，發音往往已經粵語化——音節結構、聲調輪廓都被本地化過。這些發音既不完全符合英語模型的預期，也不在粵語模型的詞表裡。兩邊都覺得它不屬於自己。

數字上的落差

公開研究文獻提供了相當一致的圖像：粵英語碼轉換內容的字元錯誤率大約落在 20% 至 26% 區間，而同類系統在單一語言內容上約為 6% 至 8%。在專門的粵英混合語音評測集上，以 Whisper 為基礎的系統混合錯誤率約為 22%。

換算成體感：純粵語內容大約每十多個字錯一個，中英夾雜內容大約每四到五個字錯一個。後者已經足以讓一段記錄需要逐句核對才敢使用。

這種錯誤的形態很特別

值得留意的是，語碼轉換的錯誤不像一般辨識錯誤那樣「看得出是錯的」。系統很少直接留空或輸出亂碼，它傾向猜一個讀音接近、語法上又說得通的中文詞填進去。

結果就是一句表面完全通順、意思卻已經偏掉的句子。這比明顯的錯字危險得多——明顯的錯字你會停下來查證，通順的錯句你會直接讀過去。

斷層二：口語粵語 vs 書面中文

同一句話的兩種寫法

右邊那欄沒有一句是「錯」的。意思都準確，讀起來甚至更順。問題是——沒有人這樣說話。

為什麼系統會這樣做

這通常不是 bug。中文書面語的訓練資料以標準書面中文為壓倒性多數，口語粵語書寫（「嘅」「咗」「喺」「哋」）在整體語料中佔比極小。模型在缺乏明確指示時，會自然傾向輸出它最熟悉的那種中文。

而且在多數情況下，這個預設是對的。做會議摘要、寫待辦事項、發給不諳粵語的同事看——書面語版本明顯更合用。

但有些場景剛好相反

問題在於，有一整類場景需要的恰恰是原話。

• 醫療問診：病人形容徵狀的用詞本身就是臨床資訊。「頂住頂住」「唧住痛」「作嘔作悶」被改寫成標準詞彙之後，那個具體的質感就沒了。
• 社福個案記錄：服務對象的原話關係到個案評估，改寫等於在記錄階段先加了一層詮釋。
• 調解與紛爭處理：誰講過什麼、用什麼語氣講，本身就是爭議所在。
• 研究訪談與口述歷史：逐字稿的價值前提就是逐字。
• 語言教學與語料整理：口語形態本身就是研究對象。

這些場景的共同點是：記錄不只是為了讓人記得討論過什麼，而是可能要在日後被引用、被覆核、被當成依據。一份被悄悄順過稿的記錄，在這種用途下是有風險的——因為它看起來完全正常，你不會知道哪裡被改過。

一個容易被忽略的前提：粵語資料的處境

要理解為什麼粵語工具的表現參差，看一下可用資料的規模會有幫助。

2025 年 WenetSpeech-Yue 的出現是一個數量級的轉變——在此之前，公開粵語語音資料長期停留在數十至數百小時的水平，而主流語言動輒以萬小時計。這解釋了過去粵語工具為何普遍落後。

但要留意，資料量增加主要改善的是單一語言粵語的辨識。語碼轉換需要的是混合語料，而這類資料在標註上更困難、規模上仍然薄弱。所以斷層一的改善速度，會明顯慢過純粵語辨識的改善速度。

香港的另一重脈絡

順帶一提一組相關數字。根據 2021 年人口普查，香港非華裔居民約 619,568 人，佔人口 8.4%。而在能否講粵語這一項上：菲律賓裔 17.6%、印度裔 25.0%、全體南亞裔 34.7%，相對地英語能力則普遍在 84% 以上。

換句話說，香港日常溝通的語言處境，並不是「粵語」單一場景，而是粵語、英語、以及多種其他語言同時在場。一個只做好粵語辨識、卻無法即時翻譯的工具，解決的只是問題的一半。

Traverba 在這兩道斷層上的處理

• 粵英夾雜優先 — 針對香港式中英混合語句的辨識調整，而不是把粵語和英語當成兩個要二選一的模式。
• 口語形態保留 — 轉錄以你實際講出口的形態為準，摘要與翻譯則另外生成；原話和整理稿並存，而不是用整理稿覆蓋原話。
• 即時轉錄＋即時翻譯一體化 — 同一場對話，一位講者、100+ 種語言，聽眾掃 QR code 就能看自己語言的字幕，不用下載 App。
• 裝置本機優先 — 語音辨識預設在裝置上執行，雲端 AI 為可選項；需要處理敏感內容時，可以完全不外傳。
• 完整逐字稿可匯出 — 會後可匯出原話逐字稿與翻譯版本，兩者分開保存。

講清楚：如果你的用途是一般商務會議摘要、內部同步、待辦事項整理，市面上多數 AI 筆記工具已經做得不錯，書面語輸出反而更合用，沒有必要為此換工具。上述差異真正有意義的場合，是那些「原話本身就是資料」的場景。

怎麼判斷？一份簡短清單

問自己三個問題：

一、這份記錄日後會不會被引用或覆核？ 如果會（個案記錄、臨床記錄、調解、訪談），你需要逐字稿，而且需要確認工具沒有在背後改寫。如果不會，書面語摘要更實用。

二、對話裡中英夾雜的密度有多高？ 偶爾夾一兩個英文詞，多數工具都應付得來。如果是那種一句話裡切換兩三次的典型香港對話，你需要先用一段真實錄音實測，不要看官方語言清單。

三、內容敏感嗎？ 涉及病歷、個案、法律事務的錄音，先確認資料流向——處理在本機還是雲端、儲存多久、有沒有用作訓練。

最後一點建議：不論選哪個工具，用一段你自己的真實對話去測，不要用朗讀稿。朗讀的粵語沒有語碼轉換、沒有口語助詞、沒有插話重疊，測不出上述任何一個問題。

了解更多

粵語記錄這件事上，沒有一個工具適合所有情況。關鍵是先弄清楚你要的是「意思」還是「原話」——這個決定會直接影響你該怎麼選、怎麼設定。

想了解 Traverba 如何處理粵英夾雜與口語保留，可以到 traverba.com，或於 Google Play 及 App Store 下載試用。

本文引用的錯誤率數字來自公開的粵語語音辨識研究文獻，語料規模數據來自各語料庫官方公布資料，人口與語言能力數據來自香港政府 2021 年人口普查。各項數據截至 2026 年年中，模型與工具能力持續變動，實際表現視乎錄音品質、口音、環境噪音及具體版本而異。所有品牌與商標均屬各自擁有者所有。