Xin chào, Sonetho đây. ⚡
"Nhận dạng giọng nói tiếng Hàn thì Naver vẫn tốt hơn chứ?"
Câu này nghe rất nhiều, nhưng hiếm ai thực sự đo thử.
Vậy nên chúng tôi tự đo.
Cùng 8 file audio tiếng Hàn được đưa vào ba engine, rồi đối chiếu từng ký tự với văn bản gốc.
📊 Tóm tắt kết quả (tỷ lệ lỗi ký tự CER, càng thấp càng chính xác)
| Hạng mục | CLOVA CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| Thoại cảm xúc | 3.2% | 1.1% | 1.1% |
| Đọc kiểu bản tin | 0~0.8% | 0~0.8% | 0~0.8% |
| Trộn tiếng Anh và số | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| Độ ổn định văn bản dài | 1.7~7.3% | 0% | 0% |
| Trung bình | 11.4% | 3.2% | 4.0% |
Trước hết, phải nói công bằng cho CLOVA.
Với tiếng Hàn thuần, CSR cũng gần như đạt điểm tuyệt đối.
Ở phần đọc kiểu bản tin, cả ba engine đều quanh mức 0%, hòa nhau.
Nếu chỉ nhìn đoạn này thì dùng cái nào cũng được.
💥 Điểm phân thắng bại nằm ở phần trộn tiếng Anh
Khoảnh khắc tên thương hiệu và con số xuất hiện trong câu tiếng Hàn, khoảng cách lập tức nới rộng.
Dưới đây là vài kết quả thực tế của CSR, giữ nguyên không chỉnh sửa.
| Đáp án đúng | Kết quả CLOVA CSR |
|---|---|
| ChatGPT | "채취 pt" |
| Gemini | "나재민이", "개 미니" |
| 일레븐랩스 (ElevenLabs viết bằng tiếng Hàn) | "11 x" |
| 약 15달러 수준 ("khoảng 15 đô la") | "약 시부터 여수 중" |
Với phụ đề YouTube, nội dung IT hay biên bản họp thời nay vốn đầy từ tiếng Anh xen lẫn, chênh lệch này biến thẳng thành khối lượng việc phải sửa tay.
Ở cùng những đoạn đó, Scribe giữ nguyên vẹn ChatGPT, Gemini và API.
🧐 Scribe cũng chưa hoàn hảo
Chúng tôi công khai luôn cả lỗi của Scribe cho sòng phẳng.
Nó yếu với danh từ riêng lần đầu gặp.
"sonetho.com" bị ghi thành "sonto.com", và ở một mẫu, "11달러" (11 đô la) bị nghe nhầm thành "1달러" (1 đô la).
Nếu tài liệu có những con số dính trực tiếp đến tiền, dù dùng engine nào cũng bắt buộc phải rà soát lại.
Khác biệt giữa v1 và v2 cũng rất thú vị.
v2 tự chuẩn hóa cách viết, chẳng hạn "22달러" được ghi thành "$22".
Theo cách chấm của chúng tôi (CER) thì bị tính là lỗi, nhưng về nghĩa lại hoàn toàn chính xác.
Nếu cần giữ nguyên dạng chữ gốc thì chọn v1, còn muốn phụ đề, tài liệu dễ đọc thì v2 là lựa chọn đúng.
v2 còn có phiên bản streaming thời gian thực.
💰 Giá cả khác nhau thế nào
ElevenLabs Scribe: $0.22 mỗi giờ (tính theo batch).
Gói miễn phí cũng bao gồm 4,5 giờ mỗi tháng.
Gói Starter $6 kèm 27 giờ, gói Creator $22 kèm 100 giờ, nên hầu hết nhu cầu cá nhân đều nằm gọn trong gói.
CLOVA Speech Recognition (CSR): tính phí theo lượng dùng, làm tròn lên theo từng khối 15 giây.
Đơn giá chính xác xem tại công cụ tính giá của Naver Cloud.
Lưu ý: CSR là API cho câu nói ngắn, giới hạn 60 giây.
Cần ghi âm dài và tách người nói thì phải dùng sản phẩm riêng là CLOVA Speech.
🤔 Vậy rốt cuộc nên dùng gì
CLOVA CSR phù hợp khi
xử lý câu nói ngắn, chủ yếu là tiếng Hàn thuần.
dự án có yêu cầu hạ tầng cloud đặt tại Hàn Quốc.
đội ngũ vốn đã dùng hệ sinh thái Naver Cloud.
ElevenLabs Scribe phù hợp khi
làm phụ đề, biên bản cho nội dung trộn tiếng Anh và tiếng Hàn.
audio thuộc mảng IT, marketing với tên thương hiệu xuất hiện dày đặc.
Có sẵn 4,5 giờ miễn phí để tự kiểm chứng chất lượng trước rồi hãy quyết định.
Dùng thử ElevenLabs Scribe miễn phí →
🧪 Phương pháp đo (có thể tái lập)
Bốn nhóm kịch bản (thoại cảm xúc, văn phong bản tin, trộn tiếng Anh và số, văn bản dài) được tổng hợp bằng hai giọng TTS chất lượng cao (CLOVA Ara Pro và ElevenLabs Hyuk) để tạo ra 8 file audio.
Mỗi file được đưa vào ba engine rồi đối chiếu từng ký tự với văn bản gốc (CER).
Chúng tôi cũng nói rõ giới hạn.
Đầu vào là giọng TTS tổng hợp, tức điều kiện lý tưởng không tạp âm; với giọng người thật hay môi trường ồn, con số có thể khác.
Một phần lỗi cũng có thể bắt nguồn từ cách phát âm của chính TTS.
❓ Câu hỏi thường gặp (FAQ)
Q. STT nào chính xác nhất cho tiếng Hàn?
Trong lần đo này, xét tỷ lệ lỗi ký tự trung bình, Scribe v1 thấp nhất với 3.2%.
Tuy nhiên với tiếng Hàn thuần văn phong trang trọng, CLOVA CSR cũng quanh mức 0% và ngang ngửa, nên tiêu chí chọn là audio có lẫn tiếng Anh hay không.
Q. CLOVA Speech Recognition (CSR) khác gì CLOVA Speech?
CSR là API cho câu nói ngắn dưới 60 giây, còn CLOVA Speech là sản phẩm riêng hỗ trợ file ghi âm dài và tách người nói.
Bài test lần này dựa trên CSR.
Q. Nên dùng Scribe v1 hay v2?
Cần bảo toàn nguyên dạng chữ thì chọn v1, muốn đầu ra dễ đọc với ký hiệu tiền tệ được tự động chỉnh gọn thì chọn v2.
v2 còn hỗ trợ streaming thời gian thực ($0.39 mỗi giờ).
Phần thực chiến về gỡ băng phỏng vấn và tách người nói tiếp tục tại bài so sánh STT: ElevenLabs vs Whisper vs Deepgram.
Hẹn gặp lại ở bài sau. Sonetho xin chào. ⚡