阿拉伯语：说的是方言，写的是书面语，我们怎么挑引擎

同一个引擎，同一种水平，在一段阿拉伯语上错误率 49.2%，在另一段上 18.2%。

引擎还是那个引擎。变的是拿来对照的标准答案：前一份写成了书面阿拉伯语，后一份照着说话人的方言一字一字记。

测试片：两段，两种方言

• Talhouk：一位黎巴嫩讲者的公开演讲，谈母语和阿拉伯语教育。他说的是黎巴嫩口语，字幕却写成了规范的现代标准阿拉伯语（MSA）。
• Fenjan（روقي）：一段海湾口音（沙特）的时政访谈。字幕逐字记下了方言口语。

只有两段，因为「方言原声 + 人工字幕 + 逐字忠实」的免费素材太难找，我们找到这两段后就停了。这两段是按方言挑的，不是按难度挑的。多人抢话、强底噪这种最难的场景，这门语言没有覆盖。

而且第一段只能用来观察，不能拿来排名，原因在下面。

候选引擎

十家：ElevenLabs Scribe v2、AssemblyAI、Speechmatics（enhanced 和 Melia-1 两档）、豆包（ar-SA）、Soniox、Deepgram、Gladia、FunASR（fun-asr-mtl）、Qwen（qwen3.5-omni）。2026 年 8 月又补测了 Gemini。

红线：阿拉伯语是一门「安全」的语言

在 Fenjan 这段上，ElevenLabs、Soniox、Speechmatics、Qwen、豆包、Gladia、Deepgram、FunASR 八家的稿子逐句读下来，意思都对得上，没有整句幻觉，没有否定反转，也没有凭空造出一整段。

出问题的是这几处：

• AssemblyAI：在 Talhouk 那段里成段复读，还编出了录音里没有的内容，而且那些内容挂在时长为零的时间戳上。这是整个阿拉伯语面板里唯一一次真正的幻觉。
• FunASR：一句阿拉伯语中间混进了一个英文词 "Also"（轻微的语言漂移），还把年份 1990 写成了 2990。
• 豆包和 FunASR 的高错误率：在 Fenjan 上分别是 41.4% 和 37.7%，比领先的几家高一倍。逐句看，大部分「错」来自两件事：hamza 这个符号没写，年份用了方言口语的写法（比如把 2011 写成 الفين واحدعش）。读的人不会误解。我们最初据此判「豆包阿语弱」，后来改掉了这个结论。

同一段上，Speechmatics 15.7%、Qwen 17.9%、Soniox 18.2%、ElevenLabs 20.1%，差距只有几个点。

选了谁、为什么

主轨：ElevenLabs Scribe v2。 它在 Fenjan 上排在领先那一组的末尾，阿拉伯语算不上它的强项。但它两段都忠实，黎巴嫩那段几乎原样保留了 بدي、هيدا、وين 这些方言词；海湾那段把 وش（什么）写成了更通用的 أيش，意思没丢。它在所有语言里当主轨，理由主要来自说话人区分和长录音的稳定性，不是这一门的分数。

参考轨一：Soniox。 两段零幻觉，海湾方言那段读下来最忠实。有意思的是，它在黎巴嫩那段上恰好相反，把方言写成了书面语，WER 反而最低。它和主轨的错法方向相反：一个偏方言，一个偏书面。对照着看，比两家都往同一个方向错有用。

参考轨二：Speechmatics。 Fenjan 上错误率最低，稿子干净，不崩。它是传统声学模型，和 Soniox 路线不同。它的稿子没有标点，那是接口设置，不影响内容。

参考轨三：Gemini。 8 月的补测里，阿拉伯语被列进「可以加」一档：至少两段对话或演讲类素材上没有红线。

没选的：Qwen 准确度不输前两家，但它和 Gemini 同属大模型路线，又没有词级时间戳，放在备选。豆包路线和其他家都不同，留作备用，目前没挂。

反方证据

• 我们曾把「Soniox 把黎巴嫩方言转得最忠实」写成它入选的理由。复核时逐词对照，发现这句话记反了：保留方言词的是 ElevenLabs、FunASR、Qwen 和豆包，Soniox 恰恰是书面化最重的那一家。这条理由已经作废，Soniox 留下的理由换成了上面那几条。
• 真正可信的排名只压在一段录音上。Speechmatics、Qwen、Soniox 之间差两三个点，一段之内说明不了谁更好。
• 这门语言最初的评估主要看 WER 和输出结构，逐句读意思是后来补的。那次补读推翻了「豆包、FunASR 阿语弱」的判断。

还没解决的

• 只测了黎凡特和海湾两种方言，埃及等其他方言没有覆盖。
• 拿到第三、第四段方言忠实的素材后，排序要重新比一次。
• 两段是公开演讲和媒体访谈，不是研究访谈。