先搞清楚一件事：你要的是「準確」還是「便宜」？
場景很常見。你是一個 Podcast 創作者，剛錄完一集一個半小時的訪談，裡面有來賓講台語、有人夾雜英文專有名詞，還有冷氣的背景噪音。你想把它變成逐字稿，丟給編輯做剪輯點，順便生 SEO 文章。你打開三、四個 AI 語音轉錄工具的價目表，結果每一家都說自己「業界最高準確率」，但沒有一家告訴你：在你這種混語言、有雜音的真實情境下，到底會錯多少字。
老實說，這就是 AI 語音轉錄這個領域最讓人頭痛的地方。Demo 影片裡都是清晰的英文播報，但你要處理的是真實世界——有口音、有口語、有專業術語、有人講到一半改口。這篇教學不講行銷話術，而是把 OpenAI Whisper、Google Cloud Speech-to-Text、Microsoft Azure Speech 以及社群版的 Hugging Face Whisper 攤開來，從繁中／粵語／台語的支援、即時 vs 批次的取捨、專業詞彙、雜音環境一路講到部署成本，幫你做出符合自己情況的選擇。
先講結論方向：沒有一個工具「全部都最強」。內容創作者、跨國企業、開發者、小型工作室，最適合的答案完全不同。我們一個一個拆。
目錄
這四個工具到底各自解決什麼問題？
在選之前，要先理解它們的本質不一樣。把它們當成同一類東西比較，會選錯。
OpenAI Whisper 本質上是一個開源的語音辨識模型（model），它有兩種用法：一是透過 OpenAI 官方 API（也就是 whisper-1 與後續的轉錄端點）按使用量付費；二是把開源權重下載下來自己跑。它最被稱讚的，是對多語言與口音的容忍度高，而且「免費自部署」這條路真的存在。根據 OpenAI 公開的技術報告，Whisper 是用大量多語言、多任務的網路音訊訓練出來的，這也是它在雜亂真實音訊上表現相對穩的原因。
Hugging Face 上的 Whisper 並不是另一個模型，而是同一個 Whisper 的社群生態：你可以在 Hugging Face 找到各種優化版本（例如 faster-whisper、distil-whisper、加上 word-level timestamp 的變體），透過 transformers 或 Inference Endpoints 部署。對開發者來說，這是「把 Whisper 玩到極致」的地方。
Google Cloud Speech-to-Text 與 Microsoft Azure Speech 則是完整的雲端服務。它們的賣點不只是辨識本身，而是整套企業級配套：即時串流（streaming）、講者分離（diarization）、自訂詞彙、SLA、資料合規、與各自雲端生態（GCP / Azure）的整合。對企業 IT 部門來說，這些「準確率以外」的東西，往往才是決勝點。
前置準備：先決定你的三個變數
在動手測試或刷卡之前，先把你自己的需求量化成三個變數，後面選工具會清楚很多。
- 語言組合：你主要處理純華語、還是會混台語／粵語／英文？這直接決定誰出局。
- 即時性需求：你是要會議當下顯示字幕（即時），還是錄完之後慢慢轉（批次）？兩者的技術路線和費用結構完全不同。
- 每月音訊量：你一個月大概要轉幾小時？這決定「用 API 划算」還是「自部署划算」的分界點。
把這三個變數寫下來，我們開始實際比較。
步驟一：搞懂繁中、粵語、台語的支援現實
這是台灣與香港使用者最在意、卻最少人講清楚的一塊。我要先說一個重要前提：以下是整理自各家官方語言支援文件與公開社群評測的「方向性結論」，不是我親手跑出來的逐字準確率，請不要把它當成精確的實驗室數據。
繁體中文（華語）：四者都支援，這沒有懸念。Google 與 Azure 在「華語（台灣）」這個 locale 上有明確標示，並提供標點、數字格式化等後處理。Whisper 系列則是把中文當成一個語言處理，繁簡的輸出有時需要你在 prompt 或後處理階段做轉換。整體來說，乾淨環境下的標準華語，四者落差不大，差異主要在標點與專有名詞。
粵語：Google 與 Azure 都有獨立的粵語（zh-HK）支援，這對香港團隊是實質優勢。Whisper 對粵語也有一定辨識力，但口語化、夾雜英文的粵語仍是公認的難題。
台語（台灣閩南語）：這是最殘酷的一關。坦白說，主流商用 API 對台語的官方支援都還不算成熟，市面上沒有任何一家能拍胸脯保證台語逐字稿可以直接用。如果你的內容大量是台語，比較務實的做法反而是評估在地化的台語語音模型，或接受「先轉個草稿、再大量人工校對」的工作流。這點不誇大，是現況。
步驟二：即時轉錄 vs 批次轉錄，怎麼選？
這是最容易選錯、也最容易多花錢的地方。
即時（Streaming）適合會議字幕、直播、客服語音、即時口譯這類「邊講邊出字」的場景。Google 與 Azure 在這塊是強項，提供低延遲的串流 API、講者切換、即時標點修正。延遲通常可以壓到「講完一句後一兩秒內」出現結果（實際數字依網路與設定而異，官方文件以毫秒級的串流回應為設計目標）。Whisper 原生模型是「整段丟進去再吐結果」的批次思路，要做到真正低延遲串流，需要額外工程（切片、faster-whisper、串接 VAD），不是開箱即用。
批次（Batch）適合 Podcast、影片字幕、訪談逐字稿、客服錄音事後分析。你不在乎慢個幾分鐘，你在乎準確。這正是 Whisper 系列的主場——你可以用較大的模型（如 large-v3）換取更高準確率，不受即時延遲限制。對內容創作者來說，九成的需求其實是批次，這也是為什麼很多 Podcaster 最後選 Whisper 自部署。
一句話總結：要即時、要企業整合，看 Google / Azure；要事後高準確、要省錢，看 Whisper。
步驟三：專業領域詞彙——這是雲端服務真正值錢的地方
醫學、法律、科技領域的術語辨識，是區分「玩具」與「生產工具」的關鍵。你想想，一份病歷逐字稿如果把藥名拼錯，那不是不方便，是出事。
這裡 Google 與 Azure 有一個 Whisper 原生比較缺的武器：自訂詞彙 / 語音適應（speech adaptation、custom phrase list、custom model）。你可以餵給它一份專有名詞清單（藥名、法條、公司內部產品代號），讓它在辨識時提高這些詞的權重。對處理大量特定領域音訊的企業來說，這個功能帶來的準確率提升，往往比換哪個模型還明顯。
Whisper 這邊也不是完全沒辦法——你可以用 prompt 提示專有名詞，或在自部署時做領域微調（fine-tune），但這需要工程資源。換句話說，如果你有專業術語需求又沒有工程團隊，雲端服務的自訂詞彙功能會幫你省下大量校對時間。如果你有工程能力，自部署微調的 Whisper 反而能調出更貼合你領域的版本。
步驟四：不同音訊環境下的表現傾向
Demo 都很美，真實世界很髒。根據公開評測與各家文件的共識，可以這樣整理不同環境的表現傾向：
- 清晰單人環境：四者都很強，差異小到一般人感受不出來。這種情境選誰都行，看價格。
- 背景雜音（咖啡廳、冷氣、街道）：Whisper 系列因為訓練資料涵蓋大量真實雜訊音訊，普遍被形容對雜音的容忍度不錯；雲端服務則靠前處理降噪補強，兩邊各有勝場。
- 多人對話 / 講者重疊：這時候「講者分離」功能就是分水嶺。Google 與 Azure 有成熟的 diarization，能標出「誰在第幾秒講話」；Whisper 原生沒有內建講者分離，要靠 pyannote 之類的工具搭配，工程上更麻煩。
- 重口音 / 混語言：Whisper 在這塊的口碑相對好，這也是它最被推崇的特性之一。
所以如果你的素材是「兩三個人在有點吵的環境邊聊邊插話」，你需要的不只是辨識準，更是要分得清誰是誰——這時雲端服務的整套配套會省你很多事。
步驟五：把成本算清楚（這段請務必看完）
這是最多人忽略、卻最影響荷包的部分。成本分三種模式，我用台幣感受幫你估算（實際以各家官網即時定價為準，匯率與方案常變動）。
模式一：雲端 API 按量付費。Google、Azure、OpenAI Whisper API 都是這種。好處是零維運、開箱即用、有 SLA；壞處是「用越多越貴」，而且是線性增加。對每月只有幾小時、十幾小時音訊的個人或小團隊，這通常最划算，因為你不用養伺服器。
模式二：自部署開源 Whisper。下載權重自己跑，模型本身免費，但你要付 GPU 的錢。如果你已經有一張顯卡（哪怕是消費級的 RTX），跑中型模型完全可行，邊際成本趨近於零。對每月要轉「上百小時」音訊的人，自部署的攤提成本會明顯低於 API。分界點大致是：量小用 API，量大且有技術能力就自部署。
模式三：企業訂閱 / 承諾用量。Google 與 Azure 對大客戶有折扣與承諾用量方案，搭配既有雲端帳單統一管理，對已經在用 GCP / Azure 的企業很順。
三種真實使用情境，看看你是哪一種
情境一：接案 Podcast 剪輯師趕週更
你每週要處理兩三集、每集一小時的中文訪談，需要逐字稿做剪輯點和上字幕，預算很緊。這種情況，自部署的 Hugging Face Whisper（faster-whisper + large 模型）幾乎是最佳解：準確度夠用、批次跑不怕慢、有自己的顯卡後邊際成本極低。如果不想碰技術，就用 OpenAI Whisper API，量不大時帳單很可愛，省下的時間拿去剪片更值得。
情境二：小公司 PM 要做跨國會議即時字幕
你們團隊有台灣、香港、新加坡同事，開會中英粵交雜，需要會議當下就有字幕、事後還要逐字記錄並標出誰講了什麼。這時 Whisper 的批次思路不夠用，你需要的是 Azure Speech 或 Google Cloud Speech 的即時串流加講者分離。多語言 locale、即時延遲、diarization 一次到位，雖然要付月費，但省下的人工聽打成本通常划算。
情境三：醫療／法律新創要處理大量專業錄音
你每月有上百小時的問診或庭訊錄音，術語密集、且資料極度敏感不能外流。這種情境有兩條路：一是用 Azure / Google 的自訂詞彙模型搭配企業合規方案，讓專有名詞辨識率拉高；二是若你有工程團隊且資安要求高到不能上公有雲，自部署微調過的 Whisper 反而是唯一能「資料完全留在內網」的選項。量大時，自部署的長期成本也更可控。
常見錯誤：別踩這幾個坑
錯誤一：只看 Demo 的英文準確率就下單。英文準不代表你的混語言素材會準，一定要拿自己真實的音檔丟進免費額度測一輪再決定。
錯誤二：以為自部署「免費」就無腦選。模型免費，但你的時間、顯卡、維運不免費。如果你一個月只轉五小時，為了省 API 費去架伺服器，根本是賠了夫人又折兵。
錯誤三：忽略講者分離。很多人轉完才發現一整片文字分不出誰講的，回頭重做。多人對話一定要先確認工具支援 diarization。
錯誤四：把台語當成「應該也能轉吧」。不行就是不行，大量台語內容請務必先測試、並預留人工校對時間，不要排太滿的 Deadline。
常見問題
OpenAI Whisper 是免費的嗎？跟 API 收費有什麼差別？
要分清楚兩件事。Whisper 的「開源模型權重」是免費的，你可以從 GitHub 或 Hugging Face 下載，自己在電腦或伺服器上跑，模型本身不收一毛錢——但你要自備運算資源（CPU 慢、GPU 快）。另一個是「OpenAI 官方的 Whisper API」，那是要按音訊長度計費的雲端服務，好處是不用自己架設、開箱即用。所以「Whisper 免費嗎」這個問題的答案是：自部署免費但要付硬體與技術成本，用官方 API 則按量付費。量小的人用 API 省事，量大又有技術的人自部署更省錢。
台灣可以正常使用這幾個工具嗎？刷卡會有問題嗎？
可以。OpenAI、Google Cloud、Microsoft Azure 在台灣都能正常註冊與付費，用台灣發行的信用卡（VISA／Mastercard）綁定 GCP、Azure 或 OpenAI 帳號通常沒問題，這些都是面向全球的雲端服務。Hugging Face 的開源模型更是直接下載就能用，無地區限制。要注意的是這些服務都以美元或當地幣別計價，刷卡會有匯率與跨國交易處理，帳單金額會隨匯率浮動。建議在帳號設定裡開啟用量上限或預算警示，避免某個月音訊量爆量時帳單嚇到自己。
繁體中文的轉錄品質，哪一家最好？
在乾淨、標準的華語環境下，四者的繁中辨識都相當堪用，一般使用者很難分出高下，差異主要落在標點符號、數字格式與專有名詞處理。Google 與 Azure 因為有明確的「華語（台灣）」locale 和後處理，標點與在地化表現較貼近台灣習慣；Whisper 系列辨識力強，但繁簡輸出有時需要你自己做轉換。真正的差距會在「困難情境」才拉開——混入英文、有口音、有雜音時，各家強弱才明顯。所以與其問誰最好，不如拿你自己最常見的那種音檔去實測，那才是對你有意義的答案。
我要做即時會議字幕，Whisper 適合嗎？
Whisper 原生的設計是「整段音訊丟進去、再吐出結果」的批次模式，不是為了低延遲即時串流而生。你當然可以透過工程手段（音訊切片、faster-whisper、搭配語音活動偵測 VAD）把它改造成接近即時，但這需要不小的開發投入，不是裝好就能用。如果即時字幕是你的核心需求、又不想自己做工程，Google Cloud Speech 或 Azure Speech 的串流 API 會務實很多，它們本來就是為低延遲即時場景設計的，還附帶即時標點與講者切換。一句話：即時找雲端服務，事後批次再考慮 Whisper。
講者分離（diarization）是什麼？為什麼重要？
講者分離就是讓系統自動標出「這段話是哪一位講者說的」，輸出時會變成「講者 A：…／講者 B：…」這種格式。對訪談、會議、客服錄音、法律庭訊來說，這幾乎是必備功能，因為光有一整片文字卻不知道誰講的，後續整理會非常痛苦。Google 與 Azure 都內建講者分離，能設定預期人數並自動切分。Whisper 原生沒有這個功能，需要搭配像 pyannote 這類額外工具來補。如果你的內容都是單人獨白（例如個人 Podcast 口播），那 diarization 對你沒差；但只要是多人對話，選工具前一定要先確認這項支援。
處理醫學、法律這種專業術語，怎麼提高準確率？
最有效的做法是使用「自訂詞彙」功能。Google 的語音適應與 Azure 的自訂模型都允許你上傳一份專有名詞清單（藥名、法條編號、公司內部術語等），讓系統在辨識時提高這些詞的命中率，這對術語密集的內容提升很明顯。如果你用的是 Whisper，可以在 API 的 prompt 裡提示相關術語，或在自部署時用你領域的資料做微調（fine-tune），後者效果最好但需要工程資源與標註資料。無論哪條路，都建議搭配一份「常見錯字對照表」做後處理，把模型反覆認錯的詞自動替換掉，能再省下不少校對時間。
每月音訊量多少，自部署才划算？
沒有絕對的數字，但可以抓一個判斷邏輯。雲端 API 是線性計費，用越多越貴；自部署是固定的硬體與維運成本攤提，量越大每小時的成本越低。所以分界點取決於「你的 API 月費」與「你養一台 GPU 機器（或既有顯卡的折舊與電費）加上你投入的維運時間」哪個高。實務上，每月只有幾小時到十幾小時的個人創作者，用 API 幾乎都比較划算，因為自部署的時間成本不值得；而每月動輒上百小時、又有人會顧機器的團隊，自部署的長期成本通常明顯更低。先用 API 跑一兩個月，看實際帳單，再決定要不要轉自部署，是最穩的做法。
這些工具的資料安全嗎？敏感錄音能用嗎？
三家雲端服務（OpenAI、Google、Microsoft）都有各自的資料處理政策與企業合規方案，Google Cloud 與 Azure 針對企業客戶提供更完整的資料駐留、加密與合規認證選項，醫療、金融這類受監管產業通常會選它們的企業方案。但只要資料離開你的內網上傳到第三方，就一定存在合規與政策層面的考量，這部分務必請你們的法務或資安同事確認條款。如果你的資料敏感到「絕對不能離開公司內網」，那答案其實只剩一個：自部署開源 Whisper，讓所有音訊與逐字稿都留在自己掌控的機器上，這也是很多高度受監管組織最後選擇自架的根本原因。
所以，你到底該選哪個？
把話講白：如果你是內容創作者、預算敏感、需求是事後把訪談或影片轉成逐字稿，先從 OpenAI Whisper API 開始，量大了再轉去 Hugging Face 上的自部署版本省錢；如果你是企業、需要即時字幕、講者分離、專業術語自訂、又要合規，Google Cloud Speech 或 Azure Speech 的整套配套才撐得起你的場景，選哪個就看你公司本來在用 GCP 還是 Azure，跟著生態走最省事；如果你處理的是大量台語內容，老實說現在還沒有完美解，請務必預留人工校對的時間和心理準備。
這個領域沒有「一個工具打天下」的答案，但有一個鐵則：別信價目表上的「最高準確率」，去拿你自己最頭痛的那種髒音檔，丟進免費額度實測一輪，數字會自己告訴你答案。下一步很簡單——挑兩家開個免費帳號，把同一段音檔丟進去比一比，半小時就知道誰適合你了。
最後更新：2026 年
喜歡這篇評測？
👉 瀏覽 AI 工具庫，找到最適合你工作流程的 AI 工具。