如果你曾在香港錄下一個會議，然後用轉錄軟件處理，你一定知道粵語是最難正確辨識的語言之一。「我想去 Causeway Bay 開會 prepare 一下 個 deck」這樣一句話，在同一口氣裡夾雜粵語和英語——而正是這種混合，令大多數轉錄工具露出破綻。
這並非小眾問題。語碼轉換（code-switching）——在一句說話中穿插粵語與英語——是香港商業、科技及日常生活的慣常語域，也是中文語音識別技術中最具挑戰性的難題之一。
我們針對 2026 年主流粵語語音轉文字工具，整理了一份中立、實用的比較——涵蓋 Google、Apple、Microsoft Azure、OpenAI Whisper、Otter.ai、iFLYTEK、ElevenLabs 及 Speechmatics，從準確度、語碼轉換能力、私隱保護，到普通用戶的實際使用體驗逐一評估。每款工具都有其所長，目標是幫你找到最適合自己需求的選擇。
準確度的衡量方式
轉錄準確度通常以**詞錯誤率（WER）或字錯誤率（CER）**來表示——即與正確參考文本相差的詞語或字符百分比。數值越低越好。大約 5% 以下屬優秀；20% 左右一般意味著需要相當程度的人工校對。
目前被廣泛引用的粵語公開基準測試是 Common Voice Yue 數據集——真實粵語母語者的朗讀錄音。在這批清晰、單一說話者的標準朗讀粵語上，獨立測試所報告的字錯誤率如下：
| 引擎 | 報告 CER（Common Voice Yue） | 備註 |
|---|---|---|
| Apple（本地端） | ~7.4% | 在 Mac/iPhone 本地運行 |
| Google Cloud Speech-to-Text | ~11.4% | "yue-Hant-HK" 模型 |
| Microsoft Azure / Cognitive Services | ~22.5% | 開發者工具整合完善 |
根據此基準，Apple 的本地端粵語模型表現出色——其報告 CER 比 Google 低約 35%、比 Microsoft 低約 67%，且完全在本地端運行。對於單人用 Mac 口述清晰粵語的場景，這是一個真正優秀的免費選擇。
有一點重要提示：這個基準測試衡量的是清晰、單人朗讀、完全不含英語的粵語，而這並不是大多數香港人實際的說話方式。
為何語碼轉換才是真正的考驗
Common Voice 是謹慎、單語的語音測試。香港人日常說的粵語是口語化、語速快，並夾雜英語的：
"個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"
清晰粵語的基準分數，並不能反映工具處理上述這類句子的實際能力。有關粵英語碼混用的學術研究指出，任何引擎在這方面都面臨兩大難題：
- 帶有粵語口音的英語聽起來與「標準」英語不同，容易令英語語言模型出錯。
- 語碼混用訓練數據不足——許多系統主要以純粵語或純英語訓練，而非自然混合的語音。
這個問題影響整個行業，而非某個品牌的個別缺陷。在更廣泛的測試中，語碼混用音頻令各大主流工具的準確度均有下滑——有廣泛引用的研究顯示，西班牙語英語混用情況下準確度明顯下跌。實際啟示是：對於香港音頻，工具如何處理粵語中夾雜的英語，比它的基準分數更重要。
逐一解析各工具
Otter.ai
Otter 是整體最受歡迎的轉錄應用之一，會議功能與摘要生成表現出色。截至 2026 年，其轉錄功能以英語為主，並不提供粵語轉錄。如果你明確需要粵語支援，應選擇具備原生支援的工具。
OpenAI Whisper
Whisper 支援極廣泛的語言，可以轉錄粵語。但預設情況下，它傾向輸出書面標準中文（例如輸出「他們」而非口語的「佢哋」）。社群有提供保留口語輸出的粵語微調模型，但使用時需要一定的技術配置，因此 Whisper 更適合開發者和進階用戶，而非只想開啟應用便用的普通用戶。
Google Cloud Speech-to-Text
Google 的「yue-Hant-HK」模型擴展性強，是在 Google Cloud 生態內快速起草及大批量自動化處理的穩健選擇。與大多數自動化引擎一樣，原始輸出通常需要人工審閱，語碼轉換的英語部分亦可能需要修正。這是一款面向開發者的 API 產品，而非消費者應用。
Microsoft Azure AI Speech
Azure 提供完善的開發者工具，並與 Microsoft 雲端工作流程緊密整合，令其成為工程團隊的熱門選擇。其文件指出，涉及語碼轉換時，粵語輸出仍建議進行人工審核。與 Google 一樣，它主要面向自行開發應用的開發者。
iFLYTEK（科大訊飛）
iFLYTEK（科大訊飛）是領先的語音 AI 企業，並已大力投資香港市場。現時它提供直接針對本地市場的粵語支援——包括訊飛多語言會議系統（港澳版）及會議解決方案，支援用戶在粵語、普通話及英語之間切換，並提供本地部署選項及翻譯硬件。對於需要本地部署或專用硬件的企業及會議場景，這是一個功能成熟、值得認真考慮的選擇。
ElevenLabs Scribe 及 Speechmatics
兩者均為功能強大的現代語音轉文字引擎。ElevenLabs 將粵語列入其高準確度層級，Speechmatics 則宣傳低延遲、高準確度。兩者均主要以雲端、付費、API 優先的方式提供服務——是開發者的優質基礎建設，但音頻需上傳至雲端處理。
並排比較摘要
| 工具 | 粵語支援 | 最適合 | 本地端運行 | 典型使用方式 |
|---|---|---|---|---|
| Otter.ai | 以英語為主 | 英語會議 | 否 | 訂閱制應用 |
| Apple Dictation | 是（清晰音頻表現強） | Mac/iPhone 口述 | 是 | 內建，免費 |
| Google Cloud STT | 是 | 開發者、大批量起草 | 否 | API / 按用量付費 |
| Microsoft Azure | 是 | 開發者、Microsoft 工作流程 | 否 | API / 按用量付費 |
| OpenAI Whisper | 是（→輸出書面中文） | 開發者、進階用戶 | 是（需技術配置） | 開源 / 自架 |
| iFLYTEK | 是（香港三語） | 企業、會議 | 本地部署選項 | 企業 / 硬件 |
| ElevenLabs / Speechmatics | 是 | 開發者 | 否 | 付費 API |
| Traverba | 是（香港調校） | 日常用戶 | 是 | 免費應用 |
沒有單一「最佳」工具——一切取決於你的使用場景。開發產品的工程師會喜歡 Whisper 或 Azure；會議主辦方可能最適合 iFLYTEK 的專用系統；Mac 用戶口述清晰粵語則已有 Apple 內建免費選項可用。
三個問題，選出最合適的工具
1. 你的音頻中英語佔多少？ 如果錄音以清晰粵語為主，基準測試分數可作參考。若音頻充滿句中夾雜英語的情況——就像大多數香港會議——則應優先選擇專門針對語碼轉換進行訓練或調校的工具。
2. 你的音頻在哪裡處理？ 雲端轉錄意味著將錄音上傳至第三方伺服器。對於涉及敏感內容的會議、醫療或法律音頻，本地端處理可讓數據留在你自己的手機或電腦上。
3. 你的技術能力如何？ Whisper、Azure 及各 API 引擎屬於開發者工具；iFLYTEK 的會議系統屬企業部署方案。如果你只想開啟應用、按下錄音、閱讀逐字稿，你需要的是專為此而設計的消費者應用。
Traverba 的定位
Traverba 正是為最後一類用戶而生——只想簡單使用的日常用戶。無需 API 金鑰、無需雲端帳戶、無需企業部署。開啟應用，即可使用。
其核心聚焦於香港人實際說的語言：夾雜英語的粵語。Traverba 並非將英語視為需要過濾的干擾，而是針對本地說話習慣進行調校——包括句中夾雜英語、品牌名稱，以及真實對話中的俚語。由於在本地端處理，你的音頻會留在你自己的設備上，而非上傳至伺服器。
Traverba 並非要取代企業會議系統或專業人工轉錄服務——這些工具自有其價值所在。它是為日常時刻而設計的：當粵語與英語自然交融，你只需要在自己的手機上快速獲得可讀的文字。
立即試用
Traverba 在兩個平台均免費提供——語音翻譯、相機翻譯、螢幕翻譯及文字翻譯，全部免費且無使用限制。
現已登陸 Google Play 及 App Store。了解更多請瀏覽 traverba.com。
本文比較的每款工具各有所長。如果你需要的是一款簡單、本地端運行、專為香港日常粵英混用場景調校的應用，Traverba 正是為此而生。
上文引用的準確度數據來自 Common Voice Yue 數據集的公開粵語 ASR 基準測試，以及有關粵英語碼混用的已發表研究。各工具的功能及語言支援反映截至 2026 年 6 月的情況，可能隨時更新。實際準確度因音頻質量、口音及對話中英語比例而異；建議讀者以自己的音頻親自測試各工具。