3.4%错字率是真的,短句才是真痛点

Canto 词错率 3.4%,短句却到 21.4%

先说结论:Wispr 自研语音模型 Canto 的词错率是 3.4%,六款对比模型里最低。但这个数字你可能用不上,因为语音输入真正的痛点是短句:一到两个词的短听写,它飙到 21.4%,跟对手一样惨。

这个模型今年 9 月 17 日发布,据 Wispr 官方与 creativeainews、Rohan Paul 整理,今天又在 X 上火了一把。我这个数码实测派,拿它试了一下午,下面全是体感。

一个人对着麦克风说话的手绘水彩场景

对着手机说话的人

先说结论:3.4% 是真的,但你可能用不到

先看官方口径。据 Wispr 官方评测,Canto 在 10 小时真实 Wispr Flow 听写上测,覆盖 2300 多位说话人,词错率 3.4%,六款对比模型里最低。

其余五款依次是 Gemini 3.1 Pro 3.6%、OpenAI GPT Transcribe 4.0%、AssemblyAI Universal-3.5 Pro 4.2%、Gemini 3.5 Transcribe 4.5%、Deepgram Nova-3 7.4%。

这组数有个前提:评测的是正常句子、相对安静的场合。我用中文正常说一句「明天下午三点在会议室碰头」,几乎不用改,体验确实顺。关键是它写在「真实听写」四个字上,不是拿干净音频刷分,这点我信。

说句我自己的判断:3.4% 和 Gemini 的 3.6% 只差 0.2 个百分点,你在体感上根本分不出来,别被小数点绑架。真正值得在意的,是 Deepgram 那 7.4% 的差距,那才是能被耳朵听出来的退化。

拿手机与人沟通的场景

念人名、型号、缩写的时候,它会翻车

我下午把咖啡馆当成测试场,手机就架在水杯旁边。正常一句话听写,几乎不用动手指。可一旦念人名、产品型号、英文缩写,问题就来了:它经常给你换成读音接近的别的词,这一行你反倒要停下来改。

有一次我在办公室念了个项目代号 AK-S4-9,它直接给我成了「阿克 s 四九」,我念了三次才录对。这种时候语音的速度优势荡然无存,我反而更慢,等于白折腾一趟。

这活儿不是我一个人吃亏。我印象里试过好几个 app,这个环节大家半斤八两,没有谁真能一读就对。口语里顺嘴读出来的东西,模型缺上下文兜底,只能靠猜,猜错的概率天然就高。

所以我的使用习惯是:长段思路口述,它很稳;一到要精确的字段,就切回手打。念人名、型号、缩写这些硬骨头,语音天生弱,别跟它较劲,那是跟自己过不去。

咖啡馆里的热闹人群

吵一点的地方,它就开始掉链子

换个场景。据 Wispr 官方给的硬音频挑战集,3 小时素材里塞了背景对话、音乐、交通、风声、耳语和极短语音,Canto 词错率 9.1%,整体第二,实时转写模型里最低。

排第一的是 Gemini 3.1 Pro 的 8.2%,但它不是实时路线,这里得分开看。实时路线里,Canto 确实把对手压在了后面。

我实测的情景更普通:隔壁桌在聊天,我对着手机念了一句。结果就是明显掉字、改词,语速一快更容易漏。吵的地方任何模型都会退化,Canto 也一样,数据上 9.1% 已是实时模型里最抗造的,对普通人来说最省事的办法还是找个安静点的地儿。

还有个细节,太安静也会有麻烦。我在图书馆门口怕吵到人,压着声音念,它把每个词都听得很犹豫,停顿明显变多。耳语这个区,官方那 3 小时的挑战集里专门设了一档,可见厂商也知道这是硬伤,只是暂时没治利索。

键盘与语音输入示意

短句才是真痛点:五个字错一个

这才是这篇文章最该说的。据 Wispr 官方与 creativeainews、Rohan Paul 整理,一到两个词的短听写,Canto 的词错率飙到 21.4%,跟 Gemini 3.1 Pro、AssemblyAI 一模一样。

换句话说,五个字里约莫错一个,你说个名字都可能被改成别人。更吓人的是六款模型的通病:短句上普遍比长句退化 5.1 到 8.4 倍,GPT Transcribe 33.6% 最差,Deepgram 41.4% 最惨。这局 Canto 不领先也不垫底,跟另两家并列。

我自己也复现过:对着手机说「苹果店,明天,新到货」,它把「苹果店」念成「苹果电」,让我笑了半天。这就是短句没上下文的样子,你不是唯一中招的人,掉进这个坑的其实一大把。

我的核心判断在这:语音输入真正的痛点,根本不是长段落,而是「一个词、一个名字、一条提交信息」这种短句。名字、验证码、型号、字段、变量名,全落在这个区间。恰好,短句是所有厂商最差的地方,你在哪个 app 上都逃不掉,换厂商没用。

我的用法建议:喂词库,别硬顶

适合谁:长段写作、会议口述转稿。那种一口气说一串的场景,Canto 表现确实稳,3.4% 主要就体现在这儿。不适合谁:要精确字段输入、填验证码、写代码变量名,或者对每个字符都较真的朋友,你会被短句虐到怀疑人生。

它怎么练出来的,倒是对它敢开口的底气。据 Wispr 官方说明,训练流程是预训练加监督微调,再做 GRPO 强化学习;强化学习用的是用户自愿共享的修改记录,听错的词会被折回训练参考,整句重写则被忽略。

这招很懂行,等于拿真实纠错当养料。上线后,「超过 1 秒才出字」的听写下降了 54%,速度也确实优化过。团队背景也值得一提:由前 Alexa 创始科学家 Ariya Rastrow 领军,2026 年 7 月 24 日成立语音实验室,后继模型已经在训练,规模大十倍以上。

顺带吐槽一句,现在主流 app 都在卷词错率的百分位,可短句这块没几家敢大方公布。厂商不是不知道这里烂,是改了也拉不开差距,干脆不谈。你作为用户,只能自己动手兜底。

还有个适配上的小提醒:语音适合「想清楚再说」的输入,不适合一边想一边说。我试了几回,思路还在转的时候对着麦克风,出来的句子断得七零八落,还不如一句句慢慢说。你拿它当第一稿草稿还行,别指望一次成品。

最后一句实用建议:与其干等模型把某个词降到 1%,不如先把你的常用人名词库、型号词库喂进去。短句的天花板在那,但你的常用词,你可以自己补。

顺便回答几个问题

问:3.4% 是最牛的吗?答:六款里最低,但跟 Gemini 3.1 Pro 的 3.6% 只差 0.2 个百分点,体感分不出。真门槛在短句,那里大家一样惨。

问:吵的地方能用吗?答:硬音频里 Canto 是 9.1%,实时模型最低,整体第一是 Gemini 3.1 Pro 的 8.2%。吵闹环境都会掉,想省事就找安静点的地方。

问:我该换 Wispr 吗?答:长段写作、会议转稿多,值得试。要是天天念人名型号、填字段,先喂人名词库,别指望换 app 就解决短句问题。

下一篇 返回列表 →
站长照片
“

1

”
联系二维码
微信:扫码加企业微信
邮箱:15611497360@aqq.com
手机:15611497360

私信站长

申请退款