語音即時轉錄字幕 App 比較：不該忽略的功能細節

行動應用程式

本文納入的語音即時轉錄字幕 App（依名稱排序）包括：

BeAware d/Deaf Assistant

由 BeAware 推出的應用程式，以 iOS/iPadOS 版本較完整且穩定，使用作業系統內建的語音辨識引擎，Android 版本尚為雛形階段。

榖歌即時轉錄 (Google Live Transcribe)

由 Google 推出並整合至 Android 作業系統的親和力功能。

Health Scribe by BeAware

由 BeAware 推出的 iOS/iPadOS 應用程式，各項功能係針對醫療情境來設計及調整，使用作業系統內建的語音辨識引擎。

微軟翻譯工具 (Microsoft Translator)

由 Microsoft 推出的應用程式。請注意：目前這個行動應用程式無法持續辨識轉錄字幕。

NALscribe

由澳洲國家聲學實驗室 (NAL) 推出的 iPad 應用程式。請注意：目前這個行動應用程式只支援（澳洲使用的）簡體中文，無法提供台灣華語字幕。

小歐聽打

由台灣廠商洞見未來 (Otoadd) 推出的應用程式，採訂閱制服務模式。

XRAI Glass

由 XRAI 推出的應用程式，可在 iOS/iPadOS 及 Android 12 以上版本作業系統執行，雖然主要用來搭配該公司的擴增實境眼鏡產品，但其實可以單獨在行動設備上使用。使用介面的翻譯還不完整，甚至可以看到翻譯錯誤的簡體中文、還沒翻譯到的訊息字串等，但語音辨識及字幕已經支援台灣華語。

雅婷逐字稿

由台灣廠商雅婷智慧股份有限公司（台灣人工智慧實驗室）推出的應用程式。

請注意：本文不做 App 綜合推薦比較，不是各 App 的完整功能分析，也不會討論不同 App 的辨識正確率。我希望各產品都能更成熟，大家可以更有彈性地選擇，而不是期待多數人只使用特定某一套行動應用程式。

重要功能

離線辨識

離線辨識指的是可以在沒有網路連線的情況下，辨識現場語音並且轉錄為文字字幕的功能。這個功能有三個優勢：穩定性、連網成本、隱私與機密性。

如果語音辨識需要連接網路、在雲端完成，那麼在網路連線不穩定或頻寬受限的地區，將無法順利使用 App；網路連線也會造成直接或間接的費用成本，影響使用者是否能夠負擔使用 App。

身心障礙者屬於脆弱族群，尤其當溝通交談的內容涉及身體情況／疾病、法律權益、財務，或者涉及業務機密等，一般性的資料去識別化處理還不足夠，唯有任何資訊都不離開終端設備（使用者的行動裝置）才能保障充分的隱私與機密性。

本功能推薦參考：

1. NALscribe 提供離線模式開關，讓使用者自己決定是否犧牲一些辨識正確率來換取離線辨識。
2. BeAware 及 Health Scribe 均支援離線使用，且使用者無需（也無法）手動切換。

註：榖歌即時轉錄支援部分語言的離線辨識功能，包括英文、日文等，但目前還不支援華語離線辨識。

自動消除畫面

自動消除畫面功能是應用程式偵測無對話達一段時間後，把畫面上顯示的字幕清空。這個功能的主要考量是隱私。

語音即時轉錄字幕 App 的基礎功能是以容易辨認的文字，把交談對話內容以字幕型態呈現在行動裝置的螢幕上；這個基礎功能使得這類 App 特別容易受到越肩窺視攻擊：其他人只要路過使用者身後，一眼就能得知剛剛先前發生的交談內容。尤其當交談內容涉及個人隱私或其他敏感主題，這類 App 產生的隱私性風險不可輕視。

本功能推薦參考：

1. NALscribe 可以設定是否自動消除畫面，以及自動消除的等待時間（20 秒或 60 秒）。
2. Health Scribe 強制自動消除畫面，每次辨識到新的一句話，前一句就會自動消除（無法切換開關，也無法調整自動消除的等待時間）。

支援行動設備無障礙功能

語音即時轉錄字幕 App 的使用者可能同時遭遇多種挑戰，需要用到行動裝置提供的多種無障礙功能。舉例來說，併有視覺障礙的使用者需要能夠調整字體尺寸、顯示配色對比（深色底淺色字、淺色底深色字）；併有肢體障礙的使用者經常以支架固定行動設備，因此 App 要能配合行動設備的擺放方向（直擺、橫擺）調整畫面布局。

本功能推薦參考：

1. XRAI Glass 可以自動根據行動設備擺放方向調整畫面布局，可以讓使用者指定配色或依照作業系統層級的偏好自動調整，也可以讓使用者調整字幕字體尺寸、粗細、左右對齊、字母間距、字詞間距、行列間距、行列寬度、字幕寬度等，以及自定收音麥克風及收音的噪音消除功能。
2. 榖歌即時轉錄可以自動根據行動設備擺放方向調整畫面布局，可以讓使用者指定配色或依照作業系統層級的偏好自動調整，也可以讓使用者調整字幕字體尺寸。
3. BeAware 及 Health Scribe 都可以自動根據行動設備擺放方向調整畫面布局，依照作業系統層級的偏好自動調整配色，也可以讓使用者調整字幕字體尺寸。
4. NALscribe 可以自動根據行動設備擺放方向調整畫面布局，可以讓使用者指定配色，也可以讓使用者調整字幕字體尺寸。

環境聲音辨識

環境聲音辨識指的是辨識環境中非語音的其他聲音內容，以文字標示的方式呈現在畫面上，以利使用者增加環境察覺感知。

在自然的有機交談情境中，往往因為環境中發生某些事件，導致交談主題瞬間改變；如果參與交談的其中一方無法察覺周遭環境的變化，就無法跟上交談內容。

本功能推薦參考：

1. 榖歌即時轉錄可以讓使用者決定是否要啟動環境聲音辨識功能，啟動後會以文字標籤即時顯示應用程式偵測到的各種聲響類型。
2. BeAware 提供獨立的聲音警報偵測功能，可以設定警報聲臨界值（噪聲臨界值）並透過作業系統的警示功能提供警示。

多人發言及多設備發言

多人發言指的是可以對三人或更多人的對話進行語音轉錄字幕。

多設備發言指的是可以把多個行動設備透過網路串接在一起，讓不同發言者透過不同設備來收音，達到最佳辨識效能。

人際交談的情境多樣，除了一對一的交談，也可能是一對多、多對一、多對多等交談情境，這些複雜的交談情境對於語音即時轉錄字幕 App 帶來更多挑戰：能不能持續辨認不同人的說話內容？能不能協助使用者分辨說話者改變？能不能讓不同位置發言者的話語達到同樣好的辨識效能？

本類功能推薦參考：

1. 雅婷逐字稿可以持續辨識不同人說話，也能利用事後分析比對的方式，產生能區辨說話者的逐字稿。
2. XRAI Glass 選擇「深度格拉姆」類型的口語辨識引擎，即可持續辨識不同發言者，並在字幕旁標示。
3. 微軟翻譯工具可以讓不同發言者使用自己的行動設備來發言，彼此透過網路加入到同一場交談對話，因此可以確保收音訊噪比理想、辨識效能佳，也能夠即時標示不同發言者正在說話。
4. BeAware 公司另外有一個稱為 FamilyTalk 的 iOS/iPadOS 行動應用程式，可以讓不同發言者使用自己的行動設備來發言，彼此透過網路加入到同一場交談對話，因此可以確保收音訊噪比理想、辨識效能佳，也能夠即時標示不同發言者正在說話。

多語言混用

多語言混用指的是能夠辨識多種語言組成的對話內容，包括不同語言的語句互相來回，以及同一個語句內混用多種語言等情況。

本功能推薦參考：

1. 榖歌即時轉錄可以設定一個主要語言及一個次要語言，自動辨識這兩種語言混用的情形。
2. 雅婷逐字稿可以在進行辨識前，先指定以華語跟台語混合，或者以華語跟英語混合等模式，自動辨識兩種語言混用的情形。
3. XRAI Glass 選擇「微軟」的口語辨識引擎，即可設定最多達 10 種不同語言混用的辨識功能；即使只選擇台灣華語，也能支援口語中混用英文的辨識。
4. BeAware 及 Health Scribe 雖然無法手動選擇辨識語言，但仍能支援台灣華語混用英文的辨識。

其他相關議題與未來發展

如本文開頭所述，市場上能夠支援華語的產品已不多，台灣又是多語言多文化國家，依照最近一份國家語言發展報告，除了華語之外，成熟的產品還應該涵蓋原住民族語、平埔族群語言、客語、台語、馬祖語、閩東語等口語。目前市面上僅有雅婷逐字稿支援台語，其他的國家語言仍全然闕如，有待相當多努力。

即使是華語及台語，前述提到的幾個 App 也還有許多挑戰：說話者的口音、腔調可能影響辨識率。如果說話者本身是言語障礙者，辨識率可能低到無法接受的程度。

榖歌在 2019 年及 2021 年先後啟動了 Project Euphonia 及 Project Relate，這兩個計畫都是針對非典型言語者改善辨識率。今年（2022 年）10 月，亞馬遜 (Amazon)、蘋果 (Apple)、榖歌 (Google)、Meta、微軟 (Microsoft) 等五家科技公司共同加入伊利諾大學厄巴納－香檳分校 (University of Illinois Urbana-Champaign, UIUC) 的 Speech Accessibility Project，想要合作改善對言語障礙者的語音辨識技術；不過，上述這些計畫目前仍然只有針對英語進行，對於華語及台灣各種國家語言，恐怕不能慢慢等這些外國企業發展。