印尼语：有人喊救命，引擎写的是「谢谢」

印尼语测试里有一场邪教围攻的戏。一片叫喊声中，有人喊：「Bu, tolong selamatkan anak-anakku, bu!」（妈，求你救救我的孩子！）主轨 ElevenLabs 把这句转对了。同一时刻，AssemblyAI 写的是「Terima kasih」（谢谢）。

Gladia 在印尼语上编得更离谱：它凭空写出一句「Jangan lupa like share dan subscribe」，意思是「别忘了点赞、分享、订阅」，是视频博主结尾的套话。

这两个例子都说明同一件事：声音乱到听不清的时候，有的引擎会拿一句「常见的话」补上去。

测试片

四段都出自同一部电影，《撒旦的奴隶》（Pengabdi Setan，2017），标准答案是这部电影的印尼语听障字幕。只用一部片子，是因为我们在 YouTube 上找到的其他印尼语「全片」全是假的：有的是影评解说，有的挂着片名放的是另一部电影，有的被重剪过，时间对不上字幕。

四个场景各有侧重：

• 翻杂志那场：弦乐垫底，两人快速抢答。
• 一家人吃饭那场：碗筷碰撞，弟妹打闹，叠音不断。
• 求助那场：两个人清清楚楚地讲家族往事，句子完整。
• 围攻那场：恐慌的叫喊、雷声、撞门声。

放到三档难度里，前两段在中到高之间，围攻那段是高档，求助那段接近低档，是这组里唯一的清晰对照。

测了哪些引擎

第一轮是 ElevenLabs Scribe v2、AssemblyAI、豆包、Speechmatics，同时存档跑了 FunASR、Gladia、Deepgram、Soniox、Qwen。Gemini 单独补测。

各家的红线

整句幻觉。 就是开头那两句：AssemblyAI 的「Terima kasih」，Gladia 的「点赞分享订阅」。AssemblyAI 在前三段一处幻觉都没有，只在围攻那段被逼出来一次。

凭空插入。 围攻戏里有一句「kalau kita bersatu」（如果我们团结起来），四家没有一家转对：ElevenLabs 写成「群殴」，AssemblyAI 和 Speechmatics 写成「交出去」，豆包写成「kalau kita nggak serahkan」（如果我们不交出去），凭空多了一个否定词。Speechmatics 在吃饭那场还在句尾多加了两个词「hati kau」（你的心）。

循环复读。 围攻戏里有人反复喊一个人名 Bondy。ElevenLabs、Soniox、豆包都把这个名字重复写了五到九遍，Gemini 更是写成了 Bodoh（笨蛋），重复了十遍。

整段丢失。 AssemblyAI 在围攻那段漏得最多，叫喊声大段丢了。

语言漂移。 豆包前两段最初输出的是中英混杂的乱码，那是我们没传印尼语的语言代码。补上 id-ID 后，求助那段它和主轨几乎逐词一致。

四段里没有一家引擎把一句话的意思整个说反。

选了谁，为什么

主轨 ElevenLabs Scribe v2。 前两段 WER 最低，清晰那段几乎没有语义错误，围攻那段收回的内容最全，也是唯一把那句求救转对的引擎。

参考轨，按顺序：Soniox、豆包、Gemini。 生产里三条都跑。

• Soniox：顶替了 AssemblyAI。复核里它没有一条坐实的红线，在主轨以外的引擎里排第一或第二。有两处可疑的地方，都发生在所有引擎都失败的极吵片段，而且它写出来的东西和原声有对应，属于听糊了，不算凭空编。
• 豆包：修好语言代码后四段零幻觉、零反转。它和 Soniox 的技术来源完全不同，犯错的地方不容易重合。
• Gemini：清晰的求助那段，它和主轨、Soniox 几乎逐字一致。

AssemblyAI 退为备用：凭空一句「谢谢」，外加整段丢掉叫喊，在同一把尺子下，它比 Soniox 离红线更近。

不利于我们的证据

• Soniox 有个脾气：听不清的时候，它倾向于写出一句通顺的话，而不是留下明显的乱码。通顺的错句最难被人发现。早期的机器扫描也在它的印尼语稿里标出过过度生成、重复的迹象。配置里记着一条：上线头一个月，要抽查它单独写出的那类流畅难句。
• 豆包在「团结」那句凭空加了否定，这正是融合时最危险的错。
• AssemblyAI 在前三段其实很干净。换掉它的依据，主要来自围攻那一段。

还没解决的问题

• 四段都出自同一部电影、同一批演员和录音条件。换成别的片子、别的口音，结论未必一样。
• 围攻那段的分数没法用，排序全靠逐句读。
• 没有真实访谈录音。