6.4%。

這是 Google Chirp 3 在辨識一段 TSMC 半導體技術解說影片時的字元錯誤率。同一段音檔丟給 Groq Whisper，錯誤率是 36.5%。一個幾乎逐字正確，另一個每三個字就錯一個。

這不是什麼精心設計的實驗室條件。就是 YouTube 上隨便找的日文解說影片，前三分鐘，切下來跑兩個引擎。結果的差距，大到讓我重新思考一件事：我們對「免費 AI 工具」的信任，到底建立在什麼基礎上？

為什麼我要做這個測試

這套「即時會議記錄｜阿哥拉廣場」工具，算是成為超級個體實踐的延伸，透過與 AI 協作，一個人等於是一支部隊。技術上不複雜——麥克風收音、語音辨識、即時翻譯、字幕顯示。但實際用在日文商務會議上，會有一個致命的問題：辨識結果會干擾理解。

「取引先」變成亂碼，「発注書」被吃掉一半，「ご指導のほど」被聽成完全不相干的詞。這些不是偶爾的錯誤——是架構設計的系統性問題。而這些詞，恰恰是商務場景中最關鍵的術語。

原本用的是 Groq 提供的免費 Whisper 模型。速度快、不花錢，日常對話勉強能用，聽聽嗯嗯啊啊，讓人開心的影片沒問題。但若對方是日本客戶，你正在翻譯一場關於設廠時程和品質異常的會議——「勉強能用」就不夠了。

所以我想繼續優化，試著達標更高的 benchmark 檢視，用數據來回答：Chirp 3 到底好多少？值不值得花那個錢？

四個場景，一面倒的結果

測試架構：Groq Whisper vs Google Chirp 3 的規格對比

我挑了四段完全不同類型的日文影片，每段取前三分鐘，分別送進兩個引擎，以 YouTube 自動生成字幕為基準計算 CER（字元錯誤率，Character Error Rate——簡單說就是辨識結果跟正確答案之間的差異比例，越低越好）。

結果：

國際新聞（PIVOT 節目：川普攻擊伊朗解說）——Groq 52.5%、Chirp 3 9.2%，改善 82.4%。

半導體商務（TSMC 熊本工廠戰略分析）——Groq 61.6%、Chirp 3 25.5%，改善 58.6%。

半導體技術（TSMC 3nm、AI、地緣政治）——Groq 36.5%、Chirp 3 6.4%，改善 82.4%。

商務會話（自我介紹、會議準備）——Groq 40.6%、Chirp 3 13.0%，改善 68.0%。

平均下來：Groq 的 CER 是 47.8%，Chirp 3 是 13.5%。精準度提升 71.7%。

四個場景，Chirp 3 全勝。沒有例外。

CER 比較：四個場景中 Chirp 3 全面勝出，平均精準度提升 71.7%

數字背後的關鍵：不只是模型好，是「知道該聽什麼」

Chirp 3 贏這麼多，不只是因為模型本身更強。關鍵在一個功能：Speech Adaptation。

這是 Google Cloud Speech-to-Text 提供的術語引導機制。你可以預先餵給模型最多 5,000 個「短語」（phrases），告訴它：這場會議可能會出現這些詞，請優先辨識。

我讓系統放了約 1,000 個日文商務術語進去——從「取引先」「発注書」「見積書」到「応急措置」「前年比」「稟議」。效果立竿見影：這些詞的命中率幾乎是 100%。

反觀 Groq Whisper 的 prompt 機制，上限只有 224 tokens，大約塞得下 40 個術語。而且 Whisper 有個惡名昭彰的問題：靜音段會「幻覺」，把 prompt 裡的內容直接吐出來當辨識結果。

還有一個容易被忽略的差異：切片長度。Groq 用 5 秒一段，Chirp 3 用 15 秒。5 秒的語境太短，模型經常聽到一半就斷了，上下文不足導致誤判。15 秒則給了模型足夠的語境去做判斷。

這三個因素疊加——更強的基礎模型、1,000 個術語引導、更長的語境窗口——造成了三倍的精準度差距。

一場會議不到一美元

Chirp 3 不是免費的。計費方式是 $0.016 美元/分鐘，以秒為最小計費單位。

算一下：一場一小時的日文商務會議，Chirp 3 的成本是 $0.96 美元。不到一美元。

如果你每個月開 20 場日文會議，月費大約 $19 美元，折合新台幣 624 元。

成本分析：每月 20 場會議約 NT$624

624 元。換取的是：日本夥伴說的每一個專業術語，都能正確記錄下來；我們會議紀錄可以不再需要事後花一小時人工修正；翻譯品質從「看得懂大意」提升到「可以直接當逐字稿用」。

創業這些年，我理解到：溝通的成本，從來不在工具上——在誤解上。 一次聽錯「納期」導致的交期延誤，代價遠超過一年的 Chirp 3 費用。

我的翻譯工具現在怎麼用它

最後補充一下技術面。目前這一版翻譯工具採用「多路路由」架構，意思是，我根據來源語言和使用模式，自動切換不同的辨識引擎：

中文走 Qwen（阿里的中文 ASR 模型，WebSocket 串流），英文走 Groq Whisper（免費、速度快），日文一般模式也走 Groq，但日文商務模式自動切換到 Google Chirp 3，同時把使用者的術語表詞彙一起送進 Speech Adaptation。其他語言則走 Deepgram Nova-3。

這個設計的邏輯很簡單：不是所有場景都需要最高精準度，但商務場景不能妥協。 Groq 免費、速度快，適合日常對話和非正式場合。Chirp 3 貴一點、慢一點（15 秒才回傳一次），但在精準度上是另一個等級。

STT 多路路由架構：根據語言與模式自動切換引擎

我按「商務模式」按鈕（管理者才有的技能），背後的路由就自動切換——不需要理解技術細節，只需要知道：開了這個按鈕，你的日文會議紀錄會從「大概對」變成「幾乎完全對」。

精準度是信任的基礎

回到最初的問題：免費 STT 夠用嗎？

如果只是想把 YouTube 影片的日文大意聽個七七八八，知道大意那ＯＫ。但如果你在一場跨國會議裡，對方正在用敬語委婉地表達不滿，而翻譯工具把「ご立腹」聽成了「ボディポップ」（沒有開玩笑，這是真實案例）——那就完全不夠。

語音辨識的精準度不是一個抽象的技術指標。它是溝通鏈條中最脆弱的一環。辨識錯了，翻譯就錯了；翻譯錯了，決策就偏了。在商務場景裡，這條鏈是用信任串起來的。

6.4% 的錯誤率，意味著每 100 個字只錯 6 個。47.8% 的錯誤率，意味著將近一半的內容不可靠。

我寧願多花一點 Token 費用，也希望確保與夥伴之間的交流能維持更好的品質。不過我也理解，對很多朋友來說，日語素材其實不一定需要那麼精準。人生已經夠不容易了，需要輕鬆一點的時刻，就讓自己輕鬆一點。

術語表

  • CER（Character Error Rate）：字元錯誤率。衡量辨識結果與正確答案的差異，計算方式是 Levenshtein 編輯距離除以正確答案的字數。越低越好，0% 代表完美。
  • STT（Speech-to-Text）：語音轉文字技術。
  • Ground Truth：用於比對的「正確答案」。本測試使用 YouTube 自動生成的日文字幕。
  • Speech Adaptation：Google Cloud STT 的功能，允許預先提供最多 5,000 個短語引導模型辨識特定詞彙。
  • Levenshtein Distance：編輯距離。將一個字串轉換成另一個字串所需的最少操作次數（插入、刪除、替換）。
  • Prompt：Whisper 模型的提示文字（上限 224 tokens），用於引導辨識方向。功能類似 Speech Adaptation，但容量小得多。
  • RPM（Requests Per Minute）：每分鐘請求數，API 的速率限制。Groq 免費方案為 20 RPM。