西班牙语：一次被我们自己的代码冤枉的引擎

我们最早的西语结论里有一句：「豆包硬西语崩盘，错误率 98.7%。」那一片它吐出来的是中英文夹杂的乱码。

后来查明，问题出在我们自己。我们传给豆包的语言代码是 es-ES（西班牙的西语），豆包不认这个代码，也不报错，悄悄退回了中文模式。改成 es-MX（墨西哥西语）重跑四段，豆包零幻觉，阿根廷口音的特殊变位也大多保住了，还压过了原本替它上场的 Speechmatics。

当时的「崩盘」只测了一段片子。后来豆包在另外九门语言上的「崩盘」，查下来也是同一个原因。

测试片

四段电影片段，覆盖三个国家、四种场景：

• El Método（2005，西班牙）：一屋子求职者吵着找内鬼，卡斯蒂利亚口音。
• El crimen del Padre Amaro（2002，墨西哥）：神父们边看球边吵，电视声压在底下，吵着吵着变成通匪指控。
• Nueve Reinas（2000，阿根廷）：为遗产对骂，再加一段骗老太太的戏。阿根廷人说话用 voseo，动词变位和别处不一样。
• La Comunidad（2000，西班牙）：发现死者公寓后，一群邻居挤在门口互吼。

La Comunidad 是我们眼里的极限档样本；另外三段在中高档和极限档之间。基础档没有覆盖（三档的说法见第一篇）。

测了哪些引擎

ElevenLabs、AssemblyAI、豆包、Speechmatics（两个模型）、Soniox、Gladia（两个模型）、Deepgram、FunASR、Qwen，以及后来的 Gemini。

六类红线，各家踩了哪些

否定反转。 西语里最常见。Speechmatics 在 El Método 里把 "Quiero probar cosas nuevas"（我想试试新东西）写成 "No quiero"（我不想），把 "si hay un topo"（如果有内鬼）写成 "Soy un topo"（我就是内鬼）。Gladia 把 "Apaguen ya esa tele"（把电视关了）写成 "¡No apaguen"（别关）。Deepgram 把 "no sé"（我不知道）写成 "lo sé"（我知道）。

整句幻觉。 Gladia 把 "nuestra situación laboral"（我们的工作处境）听成 "nuestra situación, Laura"，凭空多出一个叫劳拉的人。Deepgram 把 "porque está sola"（因为她一个人）写成 "orquesta sola"，冒出一支管弦乐队。

语言漂移。 Speechmatics 的 Melia-1 模型把 "Soy abogado"（我是律师）写成葡萄牙语 "Sou advogado"，La Comunidad 的结尾更是整段切成了葡语。西语和葡语太近，指定了语言也压不住。

整段丢失。 Deepgram 在 Padre Amaro 开头的看球叠音整段没转，在 La Comunidad 结尾截掉了群吼的高潮。

口音被抹平。 这不算红线，但对拉美访谈很要紧。Soniox 把阿根廷的 "Oíme / hablás / andás" 改成了通用西语的 "Óyeme / hablas / andas"。ElevenLabs 和 AssemblyAI 都照原样保留了。

循环复读。 Gladia 在西语片上出现过同一个词反复叠的苗头。其余几家在这四段上没有这类记录。

也有让人放心的地方。La Comunidad 那场群吼吵得最凶，六家引擎却收敛到了同一份对白，没有一家编句子。字幕只写了一句 "Habrán dejado el grifo abierto"，六家都转出了完整的原话，比字幕还全。

选了谁

主轨：ElevenLabs Scribe v2。 三种口音都稳，阿根廷 voseo 保得最好，四段里没有编过句子，也没有把话说反。

参考轨，按优先级：

1. AssemblyAI（universal-2）：四段零幻觉、零反转，是最干净最完整的一档。
2. 豆包（用 es-MX 代码）：四段零幻觉、零崩盘，阿根廷变位大多保住。字幕压缩掉的真词（complacencias、rumbos）它转出来了；Deepgram 编成「管弦乐队」的那句，它转对了。
3. Gemini：2026 年 8 月 26 日加入。

Speechmatics 退为应急备用。它不编，但在 El Método 有两处反转，阿根廷片最弱。

不利于这个选择的证据

• 豆包也反转过，而且和 Speechmatics 反在同一处。 El Método 那句 "Quiero" 豆包同样写成了 "No quiero"。Speechmatics 现在不在轨上，这一处不会两票同错；可「几家在同一处一起错」这种事，我们在五门语言里都见过，碰上了，少数服从多数就会判错。所以在否定这类地方，我们的合并环节不按多数定，找不到硬证据就标出来让人核。
• Gemini 在西语上有独有的反转。 在 Padre Amaro 里，它把「快关电视」写成「别关电视」，把「我不知道」写成「我知道」，这两处其他三轨都对。在 La Comunidad 里，它把「煤气开着」写成「房子开着」，和下一句「我们全得被炸上天」接不上。
• Qwen 在西语上没毒，也没选。 它四段零复读、零幻觉，阿根廷变位全保住。没选的原因是它没有逐词时间戳，而且和 Gemini 同属大模型路线，在清晰音上也不如现有三家稳。

还没解决的问题

• 拉美只测了墨西哥和阿根廷。加勒比、哥伦比亚、智利等地的口音没有测试片。
• 四段都是电影，没有真实访谈，也没有基础档。
• 豆包遇到不认的语言代码不报错，只会悄悄输出乱码。代码现在已经改对，可这类问题从错误日志里看不出来，只能看输出本身。