越南语：被记成幻觉的那句，其实是市场叫卖

越南语测试里，豆包在一段市场戏的末尾写出一句「Ai mua gà kìa」，大意是「谁买鸡啊」。字幕里没有这句，报告先把它记成了幻觉。复核时发现，那是背景里真实的市场叫卖声。字幕没收，豆包听见了。

这门语言的证据不多，一共两段有效测试片。下面把能说的说清楚。

测试片

两段越南语电影，标准答案来自 Netflix 的越南语听障字幕：

• 《Furie》（2019）：市场当铺里讨债，又有人被诬陷扒窃。好几个人快速对骂，南部方言，市场底噪，还有叠音。这段属于三档难度里的高档。
• 《Song Lang》（2018）：戏班后台，女戏迷来探班寒暄。多人快速对答，有人群的嘈杂声。这段属于中档，比前一段清楚得多。

我们本想再补两段对话更密的片子。找到的 YouTube「全片」要么是别的频道挂着片名的重剪版，内容对不上字幕，要么被年龄验证挡住；片方官方频道只放预告。最后决定停在两段，不拿来路不明的音频凑数。

测了哪些引擎

第一轮是 ElevenLabs Scribe v2、AssemblyAI、豆包、Speechmatics。Soniox 后来在复核中补评。Gemini 单独补测。

各家的红线

整段丢失。 AssemblyAI 两段都有。《Song Lang》开头 4 句它整个漏掉了，这也是它在清晰片上垫底的主要原因。

人名化的替换。 AssemblyAI 把 dị ứng（过敏）写成了像人名的 Dĩ Ấn，一共 3 处。《Furie》里它还把人名 Mai 写成 công an（警察），把 ăn cắp（偷）写成 Anh Cất，把 tang chứng（赃证）写成 ăn trứng（吃蛋）。这段戏的核心就是偷没偷东西，这几处一错，案情就变了。

整句幻觉。 主轨 ElevenLabs 在《Furie》末尾叠音最乱的地方，编了两个不存在的人名，还造了一句 Họ đang buôn bán（他们在做买卖）。Speechmatics 在《Song Lang》第一句凭空写了个 ca sĩ（歌手）。

Soniox 在两段上六类红线都是零。

选了谁，为什么

主轨 ElevenLabs Scribe v2。 两段都在第一梯队，前中段最完整。

参考轨，按顺序：豆包、Soniox、Gemini。 生产里三条都跑。

• 豆包：两段都和主轨并列第一，最贴近字幕。开头那句「幻觉」复核后也不算数。
• Soniox：顶替了 AssemblyAI。六类红线全零，清晰片 9.1%，嘈杂那段它听回来的内容最全。
• Gemini：我们的越南语测试片都是吵架和群戏，看不出它在正常对话里怎么样，所以另取了一段 5 分钟的越南语播客，和主轨对跑互相核对。它的词数和主轨完全一样，都是 1018 个词，只有一处实质错：chôn（埋葬）写成了 trốn（躲藏）。

不利于我们的证据

• 主轨自己在《Furie》末尾也编了东西。「主轨不编」在越南语上不成立，嘈杂的收尾段需要参考轨去核。
• Gemini 最早只用这两段电影片测，得出的是「不纳入」。换成真实播客后才改判。那段播客没有标准答案，只能和主轨互相印证。
• 两段片子，一段极吵，一段偏清楚，中间的情况我们没有样本。

还没解决的问题

我们给这门语言的配置标的置信度是「中」。原因很简单：两段片子，撑不起「系统性」三个字。补片用的字幕已经备好，缺的是和字幕对得上的正版音频。拿到之后，可以按同样的办法补到四段再看。