Deepgram vs AssemblyAI:訪談逐字稿要能回聽查核,先選聲道與語言路線

研究團隊選擇轉錄 API,應先確認錄音的聲道結構、實際使用的語言模型和逐詞時間資訊。Deepgram 適合明確設定說話者分離版本與多語言轉錄;AssemblyAI 的發言輪次輸出和附時間戳記的章節摘要值得評估,但語言回退與人工校訂不能省略。

來源: developers.deepgram.com
November 8, 2026
1 min

將訪談轉成一段通順文字,只完成了研究工作的第一步。團隊還要知道誰說了哪句話、能否點選回聽、校訂後是否仍能找到原始錄音。Deepgram 和 AssemblyAI 都能提供這類應用程式所需的轉錄資料;選擇 API 時,應比較它們如何融入審閱流程,而不是將廠商自己的準確率排名當作結論。

如果團隊希望明確控制說話者分離版本,並在同一個多語言轉錄模型中處理語言切換,Deepgram 值得優先試用;如果團隊以訪談發言輪次安排審閱,並希望接著生成附時間戳記的章節摘要,AssemblyAI 值得一起評估。兩者都不能只憑傳回文字,就替團隊建立校訂紀錄和引用證據鏈。以下判斷不是同一批錄音的實測排名。

先保留聲道,再判斷誰在說話

假設一次訪談將研究員與受訪者分別錄在兩個聲道。此時應先保留這種分離資訊,而不是先混成單聲道再要求模型猜人。Deepgram 的 Multichannel 會獨立轉錄各聲道;AssemblyAI 的多聲道轉錄也傳回各發言輪次和各詞的聲道資訊。

但聲道不等於人。如果一個會議室麥克風所在的聲道中有兩位受訪者,仍需要在該聲道內區分說話者。AssemblyAI 允許同時啟用 multichannel 與 speaker_labels,而且預期人數的上下限是依每個聲道計算,不能將整場訪談的人數範圍原封不動地套入。反過來說,立體聲檔案也不保證每側只有一個人;採購前應檢查錄音軟體實際匯出的檔案。

對於多人混在同一聲道的錄音,Deepgram 的說話者分離可用 diarize_model=v2 固定批次處理分離器版本;latest 會隨最新正式版本變動。舊的 diarize=true 仍指向 v1,且不能與 diarize_model 同時設定。需要解釋不同研究批次輸出差異的團隊,應記錄這些設定,而不是照抄舊範例。

AssemblyAI 透過 speaker_labels 啟用說話者分離,輸出附說話者標籤的 utterances。A、B 或數字標籤本身不是經過查證的姓名。將標籤對應到受訪者身分時,應保留人工確認步驟,尤其是插話和簡短回答。

可編輯的稿件,需要保留兩種信心資訊

Deepgram 的 Utterances提供分段及逐詞起訖時間,單位為秒;預錄音說話者分離還傳回 speaker_confidence。AssemblyAI 的說話者分離回應提供發言輪次與逐詞起訖時間,單位為毫秒,並可透過 speaker_options.include_speaker_confidence 請求說話者信心分數。文字信心分數與說話者信心分數回答不同問題:詞可能辨識正確,卻分配給錯誤的人。

因此,串接編輯器時建議統一時間單位,但保留原始回應。顯示稿可以修改錯字、合併斷句和替換人物標籤;原始詞序、時間區間、聲道以及模型設定不要隨之覆寫。例如受訪者在 12.5 秒說了一句關鍵否定,另一套回應中相同位置可能寫成 12500 毫秒。轉換錯誤會讓回聽跳到錯誤位置,即使頁面上的句子完全正確。

這也是兩款 API 共同的導入成本:團隊仍要保存錄音與版本、標記誰修改了什麼,並將研究報告中的引用連到查核過的片段。選擇時應讓審閱者實際完成一次「修正、回聽、確認說話者、匯出引用」,再衡量節省了多少人工工作。

「支援這種語言」還不夠,要看實際使用哪個模型

Deepgram 目前的 Nova-3 multilingual透過 model=nova-3 與 language=multi 支援 55 種語言及對話中的語言切換。language_hint 只是提高預期語言的辨識傾向,並不禁止其他受支援語言。對夾雜外語術語的訪談,這一點比強行假設全程只有一種語言更有用。

AssemblyAI 目前的模型說明將 Universal-3.5 Pro 列為預錄音推薦模型,支援 18 種語言;該集合之外可回退至 Universal-2,使整體涵蓋範圍達到 99 種語言。因此,「平台支援 99 種語言」不能解讀為「99 種語言都使用 Universal-3.5 Pro」。評估資料應記錄請求設定及實際處理模型,不要將不同模型的稿件混成一個平均分數。

如果專案涉及少數語言或頻繁切換語言,先核對語言清單,再用同一批已取得授權的代表性片段比較。檢查人名、專有名詞、否定句和說話者切換處的校訂量,比比較兩個廠商各自宣稱的第一名更接近研究團隊的成本。

摘要放在查核之後,作為索引而不是引文

Deepgram 的內建摘要文件標示支援英語,並會跨所有聲道生成一份摘要。AssemblyAI 的 Speech Understanding 摘要提供附時間戳記的章節,目前標示為公開測試。前者適合已查核英語訪談的概覽;後者值得用於長訪談的片段導覽,但測試階段的功能仍須驗證在具體專案中的表現。

無論選哪家,都不要把「受訪者提到預算不足」這類生成摘要直接當作原話。摘要指向片段,審閱者回聽確認,再用查核後的逐字稿作為引文。若摘要是根據尚未校訂的轉錄生成,修正關鍵錯字或說話者歸屬後,應重新檢查相關摘要。

最終採購可以圍繞一個小型驗收集展開:包含分聲道訪談、多人單聲道訪談,以及專案實際使用的語言。Deepgram 的版本選擇與多語言設定、AssemblyAI 的發言輪次資料與章節摘要,是兩種值得比較的串接方式;真正決定保留哪一個的,應是在完成相同審閱任務後,哪個方案留下更少的錯誤歸屬和更少的人工修補。

內容說明:本文基於公開資料整理,僅供工具選型參考。產品功能、價格及相關政策可能隨時調整,請以官方最新資訊為準。

原文出處:developers.deepgram.com