混合发言：一段访谈里几种语言交替说

跨国研究里常见这样一种录音：受访者说西班牙语，提问的人说中文，旁边坐着一位翻译，两种语言来回切换。

我们以为这是个简单问题。先查了各家引擎的官方说明，再做了一轮实验室测试，得出一套结论。然后拿一段真实录音一测，结论整个反了过来。

两种混语，结果完全不同

先要分清两种情况：

• 偶尔夹一句：主要说一种语言，中间零星冒出几个词或一两句别的语言，占比不到一成。
• 两种语言轮流说：比如交替传译，两种语言你一段我一段，差不多各占一半。

这两种情况，引擎的表现差别很大，不能混在一起说。

还有一个好消息：夹英语基本没问题。各家引擎的混语能力，几乎都是围绕"某种语言加英语"做的。我们的主引擎在西班牙语里遇到整句英语，也会照原文写出来。

麻烦出在两种都不是英语的组合上，比如西班牙语夹中文。

同一个"语言设置"，四家引擎的意思完全不同

大多数引擎都有一个"语言"参数。你可能以为它们的作用都差不多。我们逐家查文档、再逐家实测，发现是四件不同的事：

• ElevenLabs：告诉它"这段录音主要是哪种语言"。
• Soniox：只是一个偏好提示，不限制它认别的语言。
• 豆包：决定走哪一个语言模型。有意思的是，留空反而最糟，它会按中英文去识别，把西班牙语硬听成英文。
• AssemblyAI：先判断整个文件是哪种语言，然后整份交给那一种语言的模型。它支持的两种语言组合里，必须有一种是英语。

最后这一条的后果很直接。一段录音里中文占了 45%，AssemblyAI 仍然判定它是西班牙语（置信度 0.84）。我们试了它的四种设置，中文部分一个汉字都没有转出来。

也有反过来的意外。按豆包的文档推，填了西班牙语就会整个文件锁死成西语。实测不是：它照样把中间的中文转了出来。

最危险的是"被翻译"

在"偶尔夹一句"的情况下，我们的主引擎有两种失败方式，看你怎么设置它。（这是在拼接出来的测试录音上测的。下一节会讲拼接测试的问题，但拼接录音里语言切换得那么明显，引擎都没转对，换成真实录音也不会更容易。）

• 告诉它主语言是西班牙语：中文那几句直接消失，时间轴跳过去，不留痕迹。
• 不告诉它：中文那几句被翻译成流利的西班牙语。"你是谁？"变成了"¿Quién eres?"，全篇 0 个汉字。

第一种是缺了一段，第二种是多了一段原话里没有的西班牙语。第二种更危险，因为稿子读起来毫无破绽，研究者会以为受访者真的用西班牙语说了这句话。

另一个用大模型做识别的引擎，在语言切换点上陷入了复读，同一个词重复了大约 370 次。

拼接测试的结论，被真实录音整个反转

为了测"两种语言轮流说"，我们一开始用的是拼接音频：把现成的西语片段和中文片段剪在一起。标准答案现成，成本很低。

拼接测试的结论是：

• 告诉主引擎"主语言是西班牙语"：全毁，中文部分被翻译、出幻觉、时间轴错乱。
• 不告诉它，让它自己判断：全对。

后来我们拿到一段真实的交传访谈，66 分钟，西班牙语和中文，有提问方、翻译和受访者三个人。结果正好相反：

• 告诉它"主语言是西班牙语"：近乎完美。中西两种语言都正确切换，三个人也分得很清楚，连翻译一个人在两种语言间来回说，都被正确认成了同一个人。
• 不告诉它：它自己判断整段是中文（置信度 0.86），以中文为主线去转，西班牙语整段整段地丢。

为什么会这样？拼接音频里，两种语言之间有明显的"接缝"：录音环境、音量、底噪一下子全变了，引擎很容易察觉换了语言。真实录音是同一个房间、同一支话筒，没有这种接缝。

真实录音的节奏也和我们拼的不一样：中文占 29%，是"西语长回答一到四分钟，中文短插话十几秒到一分多钟"交替出现，正好落在拼接测试没覆盖的那个区间。

我们学到的

混语访谈的转写质量，取决于三件事：是哪两种语言，是"夹一句"还是"轮流说"，以及怎么设置引擎。这三件事，引擎的官方说明都回答不了，拼接出来的测试音频也回答不了。

只能拿真实录音测。