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。
🔬 各区段整体测量数据（8次测试）
由于摘要表已将数据归纳为范围，此处展示全部8次测试的详细结果。
我们将同一份正文脚本分别由两种声音合成，并将其输入到模型中。
| 类别 | 源语音 | CLOVA CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|---|
| 情感台词 | CLOVA Ara | 3.2% | 1.1% | 1.1% |
| 情感台词 | ElevenLabs Hyuk | 3.2% | 1.1% | 1.1% |
| 新闻播报 | CLOVA Ara | 0% | 0% | 0% |
| 新闻播报 | ElevenLabs Hyuk | 0.8% | 0.8% | 0.8% |
| 中英数字混用 | CLOVA Ara | 36.9% | 13.8% | 20.8% |
| 中英数字混用 | ElevenLabs Hyuk | 37.7% | 8.5% | 8.5% |
| 长文一致性 | CLOVA Ara | 7.3% | 0% | 0% |
| 长文一致性 | ElevenLabs Hyuk | 1.7% | 0% | 0% |
💥 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。
🎧 输入的音频与转写原文
只看数字可能很难有直观感受。
我上传了包含中英混杂句段的原始音频。
请一边收听，一边比对下方的转写结果。
CLOVA Ara 朗读的音频
正解台本
일레븐랩스의 Creator 플랜은 월 22달러지만, 첫 달은 50% 할인된 11달러에 시작할 수 있습니다. ChatGPT나 Gemini 같은 AI 툴과 연동하면 활용 폭이 넓어지고, 2026년 7월 기준 API 요금은 100만 자당 약 15달러 수준입니다. 자세한 내용은 sonetho.com에서 확인하세요.
CLOVA CSR (错误率 36.9%)
11 x의 크리에이터 플랜은 월 22 달라지는 첫달은 50% 할인된 11달러에 시작할 수 있습니다 채취 pt 나재민이 같은 ai 툴과 연동 하면 활용 폭이 넓어지고 2026년 7월 기준 api 요금은 100만장 약 시부터 여수 중입니다 자세한 내용은 선 투 닷컴에서 확인하세요
Scribe v1 (错误率 13.8%)
일레븐웹스의 크리에이터 플랜은 월 $22지만 첫 달은 50% 할인된 $11에 시작할 수 있습니다. ChatGPT나 Gemini 같은 AI 툴과 연동하면 활용 폭이 넓어지고 2026년 7월 기준 API 요금은 100만 자당 약 $15 수준입니다. 자세한 내용은 son토.com에서 확인하세요.
Scribe v2 (错误率 20.8%)
일레븐랩스의 크리에이터 플랜은 월 22달러지만 첫 달은 50% 할인된 11달러에 시작할 수 있습니다. 챗GPT나 제미니 같은 AI 툴과 연동하면 활용 폭이 넓어지고 2026년 7월 기준 API 요금은 100만 자당 약 15달러 수준입니다. 자세한 내용은 소토닷컴에서 확인하세요.
在此需要说明一点。
虽然 v2 的分数比 v1 差，但实际上它听得更准确。
v1 将品牌名误写为 "일레븐웹스"，而 v2 正确识别为 "일레븐랩스"。
在金额方面，v1 将其转换为 $22 符号，而 v2 则按原文记作 "22달러"。
不过，v2 将 ChatGPT 译为 "챗GPT"，将 Gemini 译为 "제미니"，进行了韩语拼音化处理。
在字符级评分 (CER) 中，这些都被判定为错误，导致错误率达到了 20.8%。
如果仅凭分数判定 v1 表现更好，那是错误的结论。
🎙️ 同一句子，不同音色带来的错误率差异竟达4倍
我发现了一个出乎意料的结果。
长文本片段的原始参考文本完全一致。
然而，使用CLOVA音色朗读的音频中，CSR的错误率（CER）为7.3%，而使用ElevenLabs音色朗读的音频中，错误率仅为1.7%。
导致差异高达4倍的原因并非识别器本身，而是朗读的音色。
Scribe在两段音频中的错误率均为0%。
CLOVA Ara朗读的长文本
ElevenLabs Hyuk朗读的长文本
识别出错的环节在句尾。
正对的脚本为"어제보다 오늘 더 자연스러워지고 있다는 것만은 분명합니다"。
在CLOVA音色中，CSR将其识别为"있다는것만 있는 영화"。
而在同样的位置，ElevenLabs音色下的CSR将其准确识别为"있다는것만은 분명합니다"。
此外，中间部分"근본적으로 바꾸고 있습니다"的"있습니다"也仅在CLOVA音色版本中完全缺失。
这在实际应用中意味着：
衡量STT准确率时，仅更换识别引擎是不够的。
输入音频的发音与语速呼吸会对结果产生显著影响。
在选择内部工具时，请务必使用实际应用场景中的说话人音色进行测试。
🧐 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。⚡