6.4%。

这是 Google Chirp 3 在识别一段 TSMC 半导体技术解说影片时的字符错误率。同一段音档丢给 Groq Whisper，错误率是 36.5%。一个几乎逐字正确，另一个每三个字就错一个。

这不是什么精心设计的实验室条件。就是 YouTube 上随便找的日文解说影片，前三分钟，切下来跑两个引擎。结果的差距，大到让我重新思考一件事：我们对「免费 AI 工具」的信任，到底建立在什么基础上？

为什么我要做这个测试

我最近在做一个即时会议翻译工具——算是成为超级个体实践的延伸，一个人用 AI 完成本来需要一个团队的事。技术上不复杂——麦克风收音、语音识别、即时翻译、字幕显示。但实际用在日文商务会议上，会有一个致命的问题：识别结果会干扰理解。

「取引先」变成乱码，「発注書」被吃掉一半，「ご指導のほど」被听成完全不相干的词。这些不是偶尔的错误——是架构设计的系统性问题。而这些词，恰恰是商务场景中最关键的术语。

原本用的是 Groq 提供的免费 Whisper 模型。速度快、不花钱，日常对话勉强能用，听听嗯嗯啊啊，让人开心的影片没问题。但若对方是日本客户，你正在翻译一场关于设厂时程和品质异常的会议——「勉强能用」就不够了。

所以我想继续优化，试着达标更高的 benchmark 检视，用数据来回答：Chirp 3 到底好多少？值不值得花那个钱？

四个场景，一面倒的结果

测试架构：Groq Whisper vs Google Chirp 3 的规格对比

我挑了四段完全不同类型的日文影片，每段取前三分钟，分别送进两个引擎，以 YouTube 自动生成字幕为基准计算 CER（字符错误率，Character Error Rate——简单说就是识别结果跟正确答案之间的差异比例，越低越好）。

结果：

国际新闻（PIVOT 节目：川普攻击伊朗解说）——Groq 52.5%、Chirp 3 9.2%，改善 82.4%。

半导体商务（TSMC 熊本工厂战略分析）——Groq 61.6%、Chirp 3 25.5%，改善 58.6%。

半导体技术（TSMC 3nm、AI、地缘政治）——Groq 36.5%、Chirp 3 6.4%，改善 82.4%。

商务会话（自我介绍、会议准备）——Groq 40.6%、Chirp 3 13.0%，改善 68.0%。

平均下来：Groq 的 CER 是 47.8%，Chirp 3 是 13.5%。精准度提升 71.7%。

四个场景，Chirp 3 全胜。没有例外。

CER 比较：四个场景中 Chirp 3 全面胜出，平均精准度提升 71.7%

数字背后的关键：不只是模型好，是「知道该听什么」

Chirp 3 赢这么多，不只是因为模型本身更强。关键在一个功能：Speech Adaptation。

这是 Google Cloud Speech-to-Text 提供的术语引导机制。你可以预先喂给模型最多 5,000 个「短语」（phrases），告诉它：这场会议可能会出现这些词，请优先识别。

我让系统放了约 1,000 个日文商务术语进去——从「取引先」「発注書」「見積書」到「応急措置」「前年比」「稟議」。效果立竿见影：这些词的命中率几乎是 100%。

反观 Groq Whisper 的 prompt 机制，上限只有 224 tokens，大约塞得下 40 个术语。而且 Whisper 有个恶名昭彰的问题：静音段会「幻觉」，把 prompt 里的内容直接吐出来当识别结果。

还有一个容易被忽略的差异：切片长度。Groq 用 5 秒一段，Chirp 3 用 15 秒。5 秒的语境太短，模型经常听到一半就断了，上下文不足导致误判。15 秒则给了模型足够的语境去做判断。

这三个因素叠加——更强的基础模型、1,000 个术语引导、更长的语境窗口——造成了三倍的精准度差距。

一场会议不到一美元

Chirp 3 不是免费的。计费方式是 $0.016 美元/分钟，以秒为最小计费单位。

算一下：一场一小时的日文商务会议，Chirp 3 的成本是 $0.96 美元。不到一美元。

如果你每个月开 20 场日文会议，月费大约 $19 美元，折合新台币 624 元。

成本分析：每月 20 场会议约 NT$624

624 元。换取的是：日本伙伴说的每一个专业术语，都能正确记录下来；我们会议纪录可以不再需要事后花一小时人工修正；翻译品质从「看得懂大意」提升到「可以直接当逐字稿用」。

创业这些年，我理解到：沟通的成本，从来不在工具上——在误解上。 一次听错「納期」导致的交期延误，代价远超过一年的 Chirp 3 费用。

我的翻译工具现在怎么用它

最后补充一下技术面。目前这一版翻译工具采用「多路路由」架构，意思是，我根据来源语言和使用模式，自动切换不同的识别引擎：

中文走 Qwen（阿里的中文 ASR 模型，WebSocket 串流），英文走 Groq Whisper（免费、速度快），日文一般模式也走 Groq，但日文商务模式自动切换到 Google Chirp 3，同时把使用者的术语表词汇一起送进 Speech Adaptation。其他语言则走 Deepgram Nova-3。

这个设计的逻辑很简单：不是所有场景都需要最高精准度，但商务场景不能妥协。 Groq 免费、速度快，适合日常对话和非正式场合。Chirp 3 贵一点、慢一点（15 秒才回传一次），但在精准度上是另一个等级。

STT 多路路由架构：根据语言与模式自动切换引擎

我按「商务模式」按钮，背后的路由就自动切换——不需要理解技术细节，只需要知道：开了这个按钮，你的日文会议纪录会从「大概对」变成「几乎完全对」。

精准度是信任的基础

回到最初的问题：免费 STT 够用吗？

如果只是想把 YouTube 影片的日文大意听个七七八八，知道大意那OK。但如果你在一场跨国会议里，对方正在用敬语委婉地表达不满，而翻译工具把「ご立腹」听成了「ボディポップ」（没有开玩笑，这是真实案例）——那就完全不够。

语音识别的精准度不是一个抽象的技术指标。它是沟通链条中最脆弱的一环。识别错了，翻译就错了；翻译错了，决策就偏了。在商务场景里，这条链是用信任串起来的。

6.4% 的错误率，意味着每 100 个字只错 6 个。47.8% 的错误率，意味着将近一半的内容不可靠。

我宁愿多花一点 Token 费用，也希望确保与伙伴之间的交流能维持更好的品质。不过我也理解，对很多朋友来说，日语素材其实不一定需要那么精准。人生已经够不容易了，需要轻松一点的时刻，就让自己轻松一点。

术语表

  • CER（Character Error Rate）：字符错误率。衡量识别结果与正确答案的差异，计算方式是 Levenshtein 编辑距离除以正确答案的字数。越低越好，0% 代表完美。
  • STT（Speech-to-Text）：语音转文字技术。
  • Ground Truth：用于比对的「正确答案」。本测试使用 YouTube 自动生成的日文字幕。
  • Speech Adaptation：Google Cloud STT 的功能，允许预先提供最多 5,000 个短语引导模型识别特定词汇。
  • Levenshtein Distance：编辑距离。将一个字串转换成另一个字串所需的最少操作次数（插入、删除、替换）。
  • Prompt：Whisper 模型的提示文字（上限 224 tokens），用于引导识别方向。功能类似 Speech Adaptation，但容量小得多。
  • RPM（Requests Per Minute）：每分钟请求数，API 的速率限制。Groq 免费方案为 20 RPM。