TL;DR：純 AI 逐字稿快又便宜，但正確率天花板卡在專有名詞和多人對話這兩個罩門；人工精校正確率最高，單價也最高。對質性研究、正式會議紀錄與要對外的稿子，甜蜜點是「AI 初稿＋人工校對」，用 AI 吃掉最耗時的前段聽打，再讓人力集中在校對與語者標記，速度與正確率一起顧到。
逐字稿看起來是件小事，把說出來的話變成文字而已。真正做過的人都知道，卡點從來不在「打字」，而在聽不清楚的那幾秒、兩位發言者搶話的那一段、還有那個怎麼聽都拼不出來的專有名詞。這篇把 AI 與人工的差異拆開講清楚，也把該怎麼選、怎麼委託、怎麼驗收一次說完。
三種做法，三種結果
市面上的逐字稿服務，本質上就是這三種，差別在於「機器做多少、人做多少」：
| 比較項 | 純 AI | AI 初稿＋人工校對 | 純人工精校 |
|---|---|---|---|
| 速度 | 分鐘級 | 數個工作天 | 較長（人工數倍工時起） |
| 正確率 | 中等，受音質影響大 | 人工逐句把關後大幅提升 | 最高 |
| 多人對話 | 易混淆語者 | 人工回聽重新標記 | 精確標記 |
| 專有名詞 | 常錯認 | 校對時逐一修正 | 最準 |
| 適合場景 | 自用、抓重點 | 論文、正式紀錄 | 法律、出版 |
| 市場價格帶 | 每分鐘數元／月費制 | 豐道約 15 元/分鐘 | 中文人工市場約 20–40 元/分鐘（豐道同此帶） |
要注意的是，這張表裡的「正確率」不是一個固定數字，而是跟著音質浮動。同一套 AI 引擎，錄音清楚的單人演講可以做得很漂亮，換成咖啡廳裡三人邊吃邊聊的錄音，正確率會直接掉一個檔次。這也是為什麼負責任的報價一定要先聽樣本，而不是報一個放諸四海的價格。想了解按分鐘計價背後有哪些變數，可以看逐字稿費用怎麼算的完整拆解。
AI 逐字稿的三個罩門
AI 這幾年進步很快，快到很多人以為人工聽打要被淘汰了。但實際交付過就會發現，AI 卡住的地方非常固定，而且這三個罩門剛好都是嚴肅用途最在意的。
罩門一：同音字與專有名詞
這是最隱蔽、也最傷的一種錯。AI 語音辨識的底層是機率模型，它把聽到的聲音對應到訓練資料裡「最常出現」的字詞。問題在於，研究領域的術語、受訪者的人名、機構名、地名，這些都是低頻詞，不在 AI 的高頻預測範圍內。
於是你會看到「質性研究」被寫成「智性研究」，受訪者服務的公司名整個換成另一家，某個專業名詞被拆成兩個毫不相關的字。這類錯誤最難纏的地方是：它讀起來完全通順。你如果不逐句對回音檔，光看文字根本不會發現有問題，等到論文送審、會議紀錄外發才被抓包，代價就大了。
罩門二：多人交談的語者分離
質性研究、焦點團體、座談會，最核心的資訊往往是「這句話是誰說的」。AI 的語者分離技術在單純的一問一答還算堪用，一旦變成三人以上、又有搶話和重疊發言，它就開始亂了：把不同人的話接成同一段、把同一位發言者切成好幾個語者、在插話的地方張冠李戴。
對逐字稿來說，語者標錯不是小瑕疵，而是會直接污染後續分析。你拿著一份語者混亂的稿子去做編碼，等於在錯的地基上蓋房子。這一段幾乎沒有例外，都需要人工回聽音檔重新確認。訪談逐字稿要怎麼銜接後續的質性編碼，我們在訪談逐字稿與編碼銜接的全攻略裡有更完整的說明。
罩門三：口語雜訊與「腦補」
真實的對話從來不是通順的。有語助詞、有講到一半改口、有方言混雜、有講錯又重來。AI 為了讓輸出「好看」，常常自動把這些雜訊補成一句流暢的話。
對一般摘要來說，這種平滑化也許無害。但對逐字稿來說，這是失真，不是優化。質性研究要看的正是受訪者的猶豫、停頓、重複，那些「不通順」本身就是資料。法律用途更是一個字都不能改。AI 的腦補在這些場景裡不是幫忙，而是把證據抹掉。
什麼情況該選哪一種？
把上面的差異對回實際需求，其實選擇很清楚：
- 自用、抓重點、找段落 → 純 AI 就好。你自己知道音檔內容，看到明顯的錯字會自動修正，省下的錢比省下的校對時間更有價值。
- 論文附錄、質性編碼、正式會議紀錄 → AI 初稿＋人工校對。這是正確率與預算的平衡點，用 AI 處理掉最花時間的前段聽打，人力集中在校對專有名詞和語者標記。
- 法律用途、出版引用、高度敏感內容 → 人工精校。這類稿子的錯誤成本極高，一個字都不能將就，沒有妥協空間。
一個實用的判斷法：問自己這份稿子「會不會被第三方檢視或引用」。答案是會，就別在校對這關省錢；答案是不會，純 AI 通常綽綽有餘。
逐字稿之後，別忘了下游
很多人把逐字稿當終點，其實它常常只是中繼站。稿子做完之後，往往還要接翻譯、編碼或引用，而逐字稿的品質會一路影響到最後。
如果你的訪談是中文、但論文要投英文期刊，逐字稿定稿後還有一段翻譯要走。這時逐字稿的準確度就更關鍵了：連中文原稿的專有名詞都錯，翻成英文只會錯得更離譜。學術翻譯和一般翻譯的差別、該怎麼挑翻譯方，可以參考學術翻譯的挑選指南。如果只需要處理論文的英文摘要，中翻英摘要的重點整理會更對症。
換句話說，選逐字稿方案時，最好連下游一起想。一份乾淨、語者清楚、專有名詞正確的逐字稿，能讓後面的翻譯、編碼、引用都省事；一份便宜但錯漏百出的稿子，省下的錢會在後面每個環節加倍還回來。
這裡有個常被忽略的細節：時間戳記在下游特別好用。做質性編碼時，你常需要回頭確認某句話的前後脈絡，逐字稿標了時間戳，你就能一秒跳回音檔那個位置，不用從頭聽起。同理，論文引用受訪者原話時，時間戳也讓你和口委、審查者都能快速查證。這種規格花不了多少額外成本，卻能省下大量回聽的時間，委託時值得主動要求。
錄音品質決定一切：開錄前該做的事
不管你打算用 AI 還是人工，逐字稿的天花板都是錄音本身。同一位聽打員、同一套引擎，拿到清楚的錄音和拿到吵雜的錄音，交出來的品質差一大截。開錄前多花五分鐘，後面能省下好幾小時的校對。
- 靠近音源。 手機或錄音筆放在說話者中間，別塞在包包裡或壓在紙張下。距離每遠一步，背景噪音的占比就上升，AI 最先犧牲的就是離麥克風最遠那位發言者的清晰度。
- 每人一軌最理想。 條件允許的話，多人座談讓每位發言者各用一支麥克風分軌錄。分軌錄音等於幫語者分離先做好一半，AI 和人工都會輕鬆很多。
- 避開回音和背景音樂。 空曠會議室的回音、咖啡廳的音樂與人聲，對人耳只是背景，對 AI 卻是直接蓋掉語音的干擾源。挑安靜、有軟裝吸音的空間。
- 開場先報名字。 請每位受訪者在錄音開頭說一句自己的名字或代號。這一句話能讓後續校對快速對上語者，也方便匿名化時統一換成代號。
這些動作看起來瑣碎，卻是真正拉高逐字稿品質、壓低成本的槓桿。錄壞的音檔，再貴的人工也救不回被噪音蓋掉的那句話。
算一筆實際的帳
假設你有十小時的訪談錄音要處理，用三種做法各自會是什麼光景？
純 AI 跑完，成本可能只是幾杯咖啡的錢，但你得自己花時間逐句校對專有名詞和語者，這段隱形工時往往被低估。研究者的時間不是免費的，把十小時錄音的校對攤下來，省的錢未必划算。
人工精校品質最穩，但十小時錄音乘上每分鐘單價（中文人工約 20–40 元、英文更高），總價會是三種做法裡最高的，交期也最長。適合預算充足、且錯誤成本極高的法律或出版案。
AI 初稿加人工校對落在中間：豐道以每分鐘 15 元計，十小時錄音的價格清楚可算，交期壓在數個工作天，交付的是能直接用的稿子。對多數要寫論文、要做質性分析的研究者，這個組合的每一塊錢都花在刀口上。
真正決定總成本的，從來不只是每分鐘單價，還有你事後要補多少工。便宜的稿子如果逼你重校一遍，那才是最貴的。
委託前的檢查清單
不管你最後選哪一種做法，委託前先確認這幾件事，能省掉大部分糾紛：
- 報價是否按分鐘明碼計算？ 先聽樣本再報價的服務方，通常比一口價更貼近真實工時，也代表對方認真評估過音質。
- 是否標示語者、時間戳記等規格？ 這些規格直接影響價格與交付格式，開工前就要講清楚，不要事後才補。
- 能否簽保密協議、交付後刪檔？ 涉及個資、商業機密或未發表資料時，這一條不能省。
- 是否含一次勘誤？ 拿到稿子後你需要有回饋修正的空間，確認勘誤範圍與次數。
- 交付格式是什麼？ Word 還是 PDF、要不要去語助詞的清稿版本，這些先對齊，避免交付後才發現格式不合用。
豐道怎麼做逐字稿
豐道的定位很明確：我們不跟純 AI 拚每分鐘幾塊錢的價格，而是把心力放在「AI 初稿＋人工校對」這個對研究者最實用的區間。AI 幫我們吃掉最耗時的前段聽打，人力則專注在專有名詞校對、語者標記與音檔對照，交付的是能直接放進論文、能對外的稿子，不是一份還要你自己重校一遍的半成品。
質性研究的受訪者資訊可依需求匿名化，音檔僅用於該次服務、交付後依約定刪除。如果你正在為訪談或會議錄音找逐字稿方案，翻譯與逐字稿服務頁有明碼價格與方案比較，也可以直接聯絡我們描述你的錄音狀況，我們聽過樣本後給你一個貼近實際工時的報價。
本文由豐道團隊撰寫，內容持續更新。