未來商務 王聖華
會議語音轉文字、逐字稿，該用哪個AI工具？免費、付費功能比較
時光倒流到 2023 年初，全世界都驚愕於橫空出世的 ChatGPT，忙著討論 AI 將會如何影響百工百業的發展；當時面對 AI 對於文字工作者的潛在威脅，身為一名採訪者的我置若罔聞，反而把全副目光放在一款 AI 逐字稿軟體——Good Tape 上。
比起尚不成熟、仍需摸索如何使用的 ChatGPT，這款 AI 逐字稿軟體，可說是立刻拯救採訪者於水深火熱之中。
台灣人工智慧實驗室於 2018 年推出的「雅婷逐字稿」一度在中文逐字稿工具中一騎絕塵，其按照錄音時長收費，正確率卻是差強人意，可惜過往採訪者們沒有其他選擇，要不乖乖付費再自行修整，不然就是從零開始人工聽打，花費極長的時間繕打逐字稿。遲遲無法解決逐字稿問題的採訪者們，一直在等待一款正確率足夠高的軟體，而 Good Tape 閃亮登場，成為我們期待已久的救世主。
回到現在，Good Tape 已經面世超過一年半，ChatGPT、Meta LLama 等模型在這段時間不斷更新版本，性能以倍數、甚至指數成長。AI 業界的迭代革新何等快速，那既有的 AI 逐字稿軟體是否有進步？採訪者們現在是否有更豐富、更優質的 AI 逐字稿軟體可供選擇？
本文將一次實測 3 款運用 AI 技術支援的逐字稿軟體，一起重新開箱 Good Tape、雅婷逐字稿，檢視這段時間它們的成長，並加入生力軍 Vocol.ai。分析標準以「採訪撰稿需求」為主，除了要求基礎的正確率、可以處理中英夾雜（最好還有臺語）之外；由於採訪時經常出現多位受訪者或講者的情況，因此「講者辨別」的功能也是十分重要的評選標準。
Good Tape：介面簡潔、功能單一，專為記者設計
Good Tape 是我目前最習慣使用的逐字稿軟體，其母公司為丹麥網路新聞媒體 Zetland，是一款專門為記者設計的服務，介面簡潔、功能單一，全副心力都放在「生成逐字稿」這項功能。
Good Tape 背後技術為 OpenAI 的 Whisper，可辨識語言種類超過 100 種。成功上傳檔案後可以指定語言，我習慣選 Chinese（Taiwan）；即使選擇特定語言，中間若有穿插其他語言（如英文段落、單字等）依然可以正確辨識。然而 2024 下半年以來，Good Tape 很容易在逐字稿中段突然轉換成簡體字，目前尚未解決。
上傳檔案不太會出現問題，付費版的生成速度滿快的，一小時的音檔在 5 到 10 分鐘可以完成轉錄，轉錄過程中也會即時更新，可以隨時跟進逐字稿的進度。
一年多來，Good Tape 更新了部分新功能，包含講者辨別、手動修改與調整每行的文字量等。目前體感講者辨別的正確率不高，經常在同一講者說話時出現 Other Speaker，或是將不同講者識別為同一講者等等，期待後續調整與修正。
其中我最有感，並且覺得非常聰明的策略調整就是——Good Tape 把「人機協作」考量到設計中，盡量方便使用者修改內容。由於目前 AI 依然沒辦法完全正確辨別語音內容，因此 Good Tape 設計了十分直覺且方便的人工編輯功能，除了能夠「搜尋與取代」，一次處理專有名詞的修正；在確認特定段落內容時，只要點選該字句就會觸發「Play from word」，直接播放對應的音檔內容，方便重新聽打修正。
Good Tape 目前沒有標點符號，撰稿時我習慣手動修整受訪者的贅字、微調語序與重新斷句等，此時便會重新加上標點，因此沒有標點符號意外地稱不上缺點。
- 免費會員：每月可以生成三份逐字稿，每份音檔不得長於 30 分鐘，無法使用「講者辨別」功能，等待時間較長。
- 付費會員：€13.75/月。每月轉錄音檔 20 小時，不限制每份音檔長度，等待時間較短。
雅婷逐字稿：急起直追，臺語辨識獨此一家
由 Taiwan AI Labs 研發的臺灣老牌語音辨識軟體，甫推出時引起轟動，卻因為正確率較低，後來遭到 Good Tape 碾壓。近兩年聽說 Taiwan AI Labs 引入大量訓練資料，成功提升正確率，本次回鍋實測確實比印象中優秀非常多。
這次試用發現，雅婷逐字稿成為三者之中「講者辨別」功能最強的，依然會有少數誤判，但大多數正確無誤；標點符號斷句也是三者之中最優秀的。經過實測，雅婷逐字稿主打的「臺語辨識」整體正確率依然待加強，細看辨識成果卻是滿驚豔的。例如「四界看（sì-kè khuànn）」一詞，在 Good Tape 中被辨識為「四個看」，雅婷逐字稿可以成功認出正確翻譯「四處看看」。
缺點方面，逐字稿生成速度較慢，一小時的音檔約需 20 分鐘左右。判斷阿拉伯數字、國字呈現時有點問題，例如「一個」是臺灣人經常出現的贅字，雅婷逐字稿經常將其辨識為「1個」，另外，有時會出現掉字，也無法調整段落長度，這幾個問題會導致逐字稿不太容易閱讀，略微影響撰稿效率。
雅婷逐字稿與 Good Tape 相同，設有編輯功能，修改時也會自動播放對應的音檔段落。但是檢視模式與編輯模式之間的切換速度較慢，同樣會稍微影響使用體驗。
整體而言，相比 2018 年，雅婷逐字稿的辨識進步非常非常多，製作逐字稿的能力還不錯，講者辨識、臺語辨識功能更是強過其他兩款軟體，然而介面與設計上，一些小型阻礙會影響使用意願。
- 免費使用：首次使用贈送 300 分鐘。
- 購買時數：NT$160/ 1 小時。
Vocol.ai：配合 AI 摘要、分析功能，適合會議紀錄
相比 Good Tpae 與雅婷逐字稿，Vocol.ai 著重在「生成逐字稿」本身。由犀動智能推出的 Vocol.ai 定位是「一站式 AI 語音協作平台」，目標著重在團隊內部的協作、會議紀錄等，因此，其 AI 的運用模式更加豐富，功能也更多元。
主打的「AI 分析」功能包含音檔內容摘要與列出段落主題，以及列出會議中的待辦事項，並且進行後續的進度追蹤。由於出去採訪時都會做筆記，對我來說，AI 摘要與分析功能不算特別實用，但可以想像對於 Vocol.ai 的目標場景（會議記錄）來說，應該是滿直觀方便的。
回到生成逐字稿本身的性能，Vocol.ai 的生成速度跟 Good Tape 差不多，一小時的音檔在 5 至 10 分鐘內可以完成，正確率不低、附有標點符號。要注意的是，目前實測判斷 Vocol.ai 不太擅長辨認吵雜環境中的對話，相同音檔丟入 Good Tape、雅婷逐字稿，內容正確率不一，但兩者都能生成完整度達到八成至九成的逐字稿，Vocol.ai 卻連內容都無法生成。此外，Vocol.ai 功能較多導致介面壓縮，逐字稿編輯與「Play from word」功能較不方便。
- 免費會員：完成簡訊認證後，每月可獲得 60V-points。
- 單次購買：16 美元/300V-points、36 美元/800 V-points。
- 訂閱會員：一個月 11 美元/300V-points、25 美元/800 V-points。
- 另提供企業客製化報價。
這 3 款 AI 逐字稿軟體，該怎麼選？
在乾淨、易辨識的音檔中，目前三款軟體的正確率已經不相上下。平常會夾雜中文之間使用的 debug、AI、feedback 或 API 等，均可正確辨識；但專有名詞如 ChatGPT、No-code 或品牌名稱等詞語，則都需要人工手動調整。
| Good Tape | 雅婷逐字稿 | Vocol.ai | |
|---|---|---|---|
| 生成速度 | ●●● | ●●○ | ●●● |
| 使用體驗 | ●●● | ●●○ | ●●○ |
| 安靜環境辨識 | ●●● | ●●● | ●●● |
| 吵雜環境辨識 | ●●● | ●●○ | ●○○ |
| 臺語辨識 | ●○○ | ●●○ | ●○○ |
| 講者辨別功能 | ●●○ | ●●● | ●●○ |
| CP值 | ●●● | ●○○ | ●●○ |
綜合考量價格、性能與使用體驗之後，目前還是以 Good Tape 為優先。身為採訪者，每月需要生成多個逐字稿並進行編輯、修正，目前還是傾向使用介面簡單清楚、功能齊備的 Good Tape；例外是進行「全臺語」採訪，則別無選擇，必須使用雅婷逐字稿來辨識。
目前三款軟體的附加功能、付費模式都在逐步調整中，未來會持續追蹤它們的進步。私心期待雅婷逐字稿能夠提高使用體驗，讓採訪者未來有更多選擇！
（本文出自「未來商務」。）
