大家好,这里是Sonetho。⚡
"韩语语音识别,还得是NAVER吧?"
这话经常听到,但真正动手测过的人很少。
所以我们自己测了。
把同样的8段韩语音频输入三个引擎,再和标准文稿逐字比对。
📊 结果速览(字符错误率CER,越低越准)
| 项目 | CLOVA CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| 情感台词 | 3.2% | 1.1% | 1.1% |
| 新闻体朗读 | 0~0.8% | 0~0.8% | 0~0.8% |
| 英语·数字混杂 | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| 长文一致性 | 1.7~7.3% | 0% | 0% |
| 平均 | 11.4% | 3.2% | 4.0% |
先替CLOVA说句公道话。
在纯韩语场景下,CSR也几乎是满分。
新闻体朗读三个引擎全部落在0%档,不分胜负。
如果只看这一段,用哪个都行。
💥 胜负手在英语混杂
韩语句子里一旦混入品牌名和数字,差距立刻拉开。
下面是CSR的几条真实输出,原样照搬。
| 标准答案 | CLOVA CSR输出 |
|---|---|
| ChatGPT | "채취 pt"(一串无意义的韩文) |
| Gemini | "나재민이", "개 미니"(均为不相干的韩文) |
| 일레븐랩스(ElevenLabs) | "11 x" |
| 약 15달러 수준(约15美元左右) | "약 시부터 여수 중"(不知所云) |
如果你的音频像YouTube字幕、IT内容、如今的会议记录那样夹杂英文单词,这个差距就会原封不动地变成你的工作量。
在同样的段落里,Scribe把ChatGPT、Gemini、API全部原样保留。
🧐 Scribe也并非完美
出于诚实,Scribe的错误也一并公开。
它对第一次见到的专有名词比较吃力。
它把"sonetho.com"写成了"sonto.com",在一个样本里还把"11달러"(11美元)听成了"1달러"(1美元)。
如果文档里的数字直接关系到钱,无论用哪个引擎,人工校对都是必须的。
v1和v2的差异也很有意思。
v2会把"22달러"(22美元)自动规范成"$22"。
在我们的评分方式(CER)里这会被算作错误,但语义上是完全正确的输出。
看重原文写法就选v1,想要易读的字幕和文档就选v2。
v2还有实时流式版本。
💰 价格差在哪里
ElevenLabs Scribe:每小时$0.22(批量转写)。
免费套餐每月也包含4.5小时。
$6的Starter含27小时,$22的Creator含100小时,大多数个人项目在套餐内就能搞定。
CLOVA语音识别(CSR):按15秒为单位向上取整的按量计费。
准确单价请在NAVER Cloud的价格计算器里确认。
另外CSR是面向短语音的API,有60秒的时长限制。
需要长录音和说话人分离的话,得用另一款产品CLOVA Speech。
🤔 那到底该用哪个
适合CLOVA CSR的情况
以纯韩语为主的短语音处理。
有韩国本土云基础设施要求的项目。
已经在用NAVER Cloud生态的团队。
适合ElevenLabs Scribe的情况
韩英混杂内容的字幕和会议记录。
品牌名频繁出现的IT、营销类音频。
可以先用免费的4.5小时亲自验证质量,再做决定。
免费开始用ElevenLabs Scribe →
🧪 测量方法(可复现)
我们把4类文稿(情感台词、新闻体、英语·数字混杂、长文)用两款高品质TTS(CLOVA的Ara Pro、ElevenLabs的Hyuk)合成,得到8段音频。
每段音频输入三个引擎,与标准文稿逐字比对(CER)。
局限性也说清楚。
输入是TTS合成音,属于无噪声的理想条件,真人语音或嘈杂环境下数值可能不同。
部分错误也可能源自TTS本身的发音。
❓ 常见问题(FAQ)
Q. 韩语STT哪个最准?
本次实测中,按平均字符错误率计,Scribe v1以3.2%最低。
不过在纯韩语正式文体下,CLOVA CSR同样在0%档打平,所以音频里是否夹杂英语才是真正的选择标准。
Q. CLOVA语音识别(CSR)和CLOVA Speech有什么区别?
CSR是面向60秒以内短语音的API,CLOVA Speech是支持长录音文件和说话人分离的另一款产品。
本次测试以CSR为准。
Q. Scribe v1和v2该用哪个?
看重保留原文写法就用v1,想要自动整理货币符号等写法、便于阅读的输出就用v2。
v2还支持实时流式转写(每小时$0.39)。
访谈转写与说话人分离的实战篇,请看ElevenLabs vs Whisper vs Deepgram STT对比。
下篇文章再见,这里是Sonetho。⚡