日语：看起来最准的那家，赢在删掉了语气词

日语两段现代访谈片上，AssemblyAI 一开始看起来是四家里最准的，其中一段字错误率只有 8.4%。后来我们发现，它的优势来自删语气词：字幕会把口头的语气词、填充词删掉，AssemblyAI 也删，Soniox 照实写下来，结果被当成错字扣了分。两边都剥掉填充词再算，Soniox 四段全赢，最后一段降到 2.0%，比主轨还低。

这件事让日语的参考轨换了人。

测试片

四段，分成两组：

• 《七武士》（1954）：东北方言、密集叫喊，加上老胶片的底噪。
• 《罗生门》（1950）：标准音，但有大雨声，三个人互相打断。
• 一段 YouTube 上的双人访谈：两人频繁换着说，录音棚里录的，很干净。
• 一集 YouTube 上的日语节目：两个人不停地附和、接话（そうだね、うん 这类），换人极其频繁。

前两段在我们的三档难度里属于高档，后两段属于中档。低档（一两个人、语速平稳、无噪音）的日语片我们没有单独测。

现代两段的标准答案用的是节目方上传的人工字幕，不用自动字幕。我们一开始选过另一段访谈，逐句核对后发现那是英语口播配日语翻译字幕，拿它当标准答案等于拿译文考听写，当场换掉了。

测了哪些引擎

ElevenLabs Scribe v2、AssemblyAI、豆包、Speechmatics 是第一批，Soniox、Gladia、Deepgram、FunASR、Qwen 在后来的补测里也跑过。Gemini 单独补测。

各家的红线

循环复读。 《七武士》的叫喊段，AssemblyAI 把同一个音重复了 95 次，同一片 Gladia 重复了 447 次。一段转写被一个音节占满，后面的内容就没了。

整句幻觉。 同样在《七武士》，AssemblyAI 还凭空造了整句；《罗生门》里它在句尾加了没说过的内容。

凭空插入。 豆包在老片里有一处凭空写出一句带暴力意味的命令。它的「零幻觉」只在现代两段上成立。

否定反转。 Soniox 在《七武士》方言加叫喊的那一段有 2 处把意思说反。同一片 AssemblyAI 已经复读崩溃、还在造句，如果因为这 2 处就淘汰 Soniox，却留下 AssemblyAI，就是两把尺子。我们判它是场景性的问题。

语言漂移。 Gemini 在作主轨备用时测过一次，写出来的日文里混了简体中文字形，比如「绍介」「连络」「结婚」。换句话说，字是对的，字形却成了中文。

替换（不算红线，但会误导）：Speechmatics 把「人前式」（在亲友面前办的婚礼）听成「人権意識」（人权意识）；豆包和 AssemblyAI 都把「酌み交わす」（对饮）写成同音的「組み交わす」。

选了谁，为什么

主轨 ElevenLabs Scribe v2。 四段里只有它从头到尾没崩，最后那段节目上字错误率 5.1%。

参考轨，按顺序：Soniox、豆包、Gemini。 生产里三条都跑。

• Soniox：剥掉填充词后四段全赢，老片上的 2 处反转判为场景性。
• 豆包：最早以为它不支持日语，出来全是乱码，其实是我们没传对语言代码。补上 ja-JP 后，现代两段干净，《罗生门》排第三，《七武士》中游但没崩。它和 Soniox 出自完全不同的技术路线，犯错的地方不容易重合。
• Gemini：现代两段零红线。

AssemblyAI 退为备用。

不利于我们的证据

• AssemblyAI 在现代访谈上确实很准。在干净的真实对话里，它的毛病基本不出现。我们换掉它，理由主要落在老片上的复读和造句，以及剥掉填充词以后它已经不是第一。
• 早一轮的结论正好相反：当时认为 Soniox 在访谈场景并不比在位的两家强，按「打平不换」维持原样。是后来发现了填充词问题才翻过来的。结论依赖「填充词该不该算分」这个口径。
• Gemini 在两段老片上错得很多：《七武士》里「米」写成人名「亀岡」，《罗生门》里官职「検非違使」写成「蛇石」、「说教够了」写成「咳嗽够了」，最后一整句还漏了。《罗生门》是清晰对话，所以它的问题出在录音音质，跟吵不吵关系不大。客户如果录音条件差，这条轨可能会跟着变差。

还没解决的问题

• 真正的访谈只有两段，而且都很干净。「现代但嘈杂」的日语访谈，我们没有带标准答案的样本。
• 如果客户要逐字稿、连「えーと」都要保留，Soniox 这种照实写的习惯是优点；如果要的是清理过的稿子，排名的依据就要重新想。
• Gemini 混入简体字形的问题，是在它顶替主轨时发现的。作参考轨时会不会出现，我们还没有单独的数据。