泰语：主轨的好成绩里，有一部分是我们的 bug

泰语测试里，主轨 ElevenLabs 的分数有一部分水分，来源是我们自己的代码。

我们的处理流程里有一个函数，负责去掉词尾的标点。泰文的元音符号和声调符号是附着在字母上的组合符号，这个函数把它们当成标点一起删了。结果，存档里 ElevenLabs 的泰语稿元音、声调全都没了，它的错误率是在「不看这些符号」的情况下算出来的。bug 已经修好，但它在泰语变音符上到底准不准，还要重新抽查。

所以下面的分数，读的时候请带着这个保留。

测试片

三段，标准答案是同源的人工泰语字幕：

• 一段烹饪访谈：一到两个人说话，语速中等，底噪低。这是基准分，接近三档难度里的低档。
• 一段多人真人秀：嘉宾抢话、笑闹，还有背景音乐和音效。我们归为中档。
• 一段狼人杀式的辩论：互相指认，语速快，多人打断，还夹着 Seer、defend 这样的英文词。这段是高档。

本来找了第四段，检查时发现音频和字幕错开了约 30 秒，拿它打分等于对着错的答案判卷，就剔掉了。泰语里「免费、会话、逐字」三样都满足的字幕很少，三段是我们目前能找到的上限。

测了哪些引擎

十家：ElevenLabs Scribe v2、AssemblyAI、Speechmatics（两个版本）、豆包、Soniox、Deepgram、Gladia、FunASR、Qwen。Gemini 单独补测。

各家的红线

循环复读。 辩论开头有一阵哄笑，字幕只记了一声短笑。Gladia 把笑声「ฮ่า」后面的泰文重复符号 ๆ 一口气写了四百多个，连出两行；后面又把两句话来回循环了四遍。它的错误率因此冲到 83.9%。同样的循环在另外两段里一次也没有。AssemblyAI 也有：复核时发现它在真人秀里把一个词连刷了约 22 行，另一串词循环了约 25 遍。

整段丢失。 AssemblyAI 在辩论那段大段跳过，有的地方近十秒不出字。前两段它都垫底，辩论那段也只比崩掉的 Gladia 好。

凭空插入（后来撤回）。 我们一度认为 Qwen 在辩论开头凭空多写了一段。复核发现是字幕开头有约 10 秒的时间偏移，Soniox、豆包、FunASR 三家都在同一处转出了同样的内容，那是真实的话。这条指控撤回了。

选了谁，为什么

主轨 ElevenLabs Scribe v2。 三段都没崩，没有叠字循环，烹饪访谈 12.6%、真人秀全场最低。带着前面说的保留。

参考轨，按顺序：Soniox、豆包、Gemini。 生产里三条都跑。

• Soniox：三段最稳，切分最规整，逐句贴着字幕，没有循环也没有整段漏。
• 豆包：输出的是真泰文，辩论那段和 Soniox、主轨同一档，英文借词 defend 照原样保留。报告最初写它「第一段没测」，其实测过，而且那段局部比 Soniox 还准，只是结果没进表。它和前两家技术来源不同。
• Gemini：辩论那段只错了一处投票结果里的人名，四家分数挤在 1.9 个百分点之内。

没选的：Qwen 辩论那段分数全场最低（18.3%），但它把整整 3 分钟吐成一行，没有逐词的时间戳，我们的对齐步骤没法用。FunASR 分数也不差，可它的输出是一整坨没有分句的字符。Gladia 因为循环、AssemblyAI 因为漏，都不入选。

不利于我们的证据

• 最大的一条就在开头：主轨的泰语分数有水分，真实的变音符精度还没抽查。
• 评测的人不通泰语。报告只判了能用肉眼看出来的问题：叠字、字数暴涨、整段漏、单块输出。有没有把意思听反、听错，我们没有逐句判断。
• Gemini 在泰语上只有一段对话类测试片，样本不够。更早一轮它还出过笑声标记、非泰文标签之类的问题，这一段里没再出现。泰语还让它撞过一次输出长度上限。
• Soniox 也属于大模型一类的转写引擎。我们一向担心这类引擎把听不清的地方「补通顺」，在泰语上没看到，但也没有逐句核过。

还没解决的问题

• 泰文不用空格分词，我们暂时没有泰语分词器，对齐只能按句段来做，精度偏粗。
• 三段都不是真实的研究访谈。
• 主轨变音符精度待抽查。