方法：我们不为 AI 或人类给出统一 accuracy 百分比。质量会随语言、音频、speaker 和 vocabulary 改变。价格示例于 2026 年 8 月 16 日核验。
快速结论：AI、人工还是 hybrid？
| 场景 | 推荐起点 | 原因 |
|---|---|---|
| 干净的 Podcast、Webinar、Creator video | AI + 快速 review | draft 快，QA 可集中在少量问题上。 |
| 有噪声的 multi-speaker interview | AI + 细致 human review | 节省前期工作，但 speaker 和困难片段需检查。 |
| 法律、医疗或 high-stakes 记录 | Human-reviewed workflow | 错误姓名、数字或陈述的代价可能很高。 |
| 大型 archive | AI-first | 适合 scale 与快速 turnaround，再按 risk review。 |
| 专业术语、姓名、内部词汇 | AI + glossary/context + QA | context 有帮助，但 proper nouns 仍需重点检查。 |
| 机密内容 | 取决于 processing model | 处理地点、retention、access、contract 与 human exposure 都重要。 |
AI 与人工转写是不同 workflow，不只是打字速度不同
AI transcription 使用 ASR 把 speech 转换为 text。人工转写则由人听取、理解和修正。许多 professional service 采用混合模式：ASR 先产生 draft，再由人 verify。
质量比 marketing accuracy 数字更依赖录音条件
一个“98%”数字会隐藏很多关键差异。language、accent、microphone、noise、overlap、names、technical vocabulary 都会显著改变结果。Whisper documentation 也指出不同语言 performance 差异明显，因此 ASR output 不能视为 guaranteed ground truth。
- clean close-mic speech 对 AI 与人都更容易。
- overlap 会导致 text error 和 speaker attribution error。
- names、numbers、products、technical terms 应单独检查。
- music、long silence、heavy editing 可能影响 segmentation。
- language/dialect coverage 在不同 models 间不均衡。
- transcript 正确也不代表 subtitle timing/speaker assignment 一定正确。
比起模糊 accuracy，更应该看 WER 与 error type
WER 计算相对于 reference transcript 的 substitution、deletion、insertion。CER 在 character level 评估。实际生产还要考虑 error impact：一个错误 surname 或 decimal 可能比多个 filler-word 差异更严重。
| Metric | 能说明什么 | 不能说明什么 |
|---|---|---|
| WER | word-level errors。 | 每个 error 的业务影响。 |
| CER | character-level errors。 | semantic/editorial importance。 |
| Speaker accuracy | 是否分配给正确 speaker。 | text 本身是否正确。 |
| Subtitle QA | timing、segmentation、readability、overlap。 | 纯 transcript quality。 |
| Critical-field review | names、dates、numbers、critical terms。 | 整体 fluency。 |
AI 与人容易遇到困难的情况
| 条件 | AI | 人工 |
|---|---|---|
| clean single speaker | 非常好的 AI use case。 | 准确，但全手工通常效率低。 |
| heavy noise | error 可能明显增加。 | context 有帮助，但听不清的 audio 仍有极限。 |
| overlapping speakers | text 与 diarization 都可能失败。 | context 更强，但 simultaneous speech 仍困难。 |
| strong accent/dialect | 取决于 model coverage。 | 熟悉该 dialect 的 transcriber 可能更好。 |
| technical terminology | 可能替换成“看起来合理但错误”的词。 | domain knowledge 有优势。 |
| names/numbers | 高价值 error 类别。 | 也需要 source/context 才能确认。 |
| long repetitive archive | 非常容易 scale。 | manual-only 成本高且慢。 |
速度：first draft 由 AI 领先，final turnaround 由 QA 决定
AI 通常比 real-time listening 快得多，但 generation time 不等于 publish-ready time。应该衡量 upload 到 final approval 的总时间。
成本：比较完整 workflow，而不是只看每分钟价格
Rev 当前公开 AI Transcription 为 0.25 美元/分钟，Human Transcription 1.99 美元/分钟起。Happy Scribe 通过 plan 提供 AI minutes，并把 Human Proofreading 定价在约 2 美元/分钟起，不同语言 human rate 可能更高。这些是实际示例，不是通用市场平均。
| 成本项 | AI-first | Human-first |
|---|---|---|
| Initial transcription | marginal cost 低，容易 scale。 | per-minute labor cost 更高。 |
| QA | clean audio 少，difficult files 可明显增加。 | human process 内仍需 quality control。 |
| Speaker labels | 可自动化，但需 review。 | manual 且更 context-aware。 |
| Terminology | 可能需要 glossary/context 与 correction。 | 可能需要 specialist。 |
| High volume | 经济优势明显。 | human capacity 成为 bottleneck。 |
| Critical errors | 便宜 draft 若漏错可能代价很高。 | 更高初始 cost 可降低风险。 |
Privacy 是 workflow 决策，不是简单 AI vs 人工
confidentiality 取决于 processing location、谁能 access、retention 多久以及 contract。Cloud AI 可能涉及 third-party infrastructure；human transcription 则意味着有人能够看到内容。
- 检查 processing location 与 retention。
- 检查 media/transcript 是否用于 training。
- 必要时检查 encryption。
- human services 要确认谁可以 access。
- regulated project 要核验具体 compliance scope。
- Subvideo.ai 当前说明 Guest uploads 在 EU servers 处理，并在 48 小时后自动删除。
这些情况下增加 human involvement
- transcript 是 evidence 或 formal record。
- names、numbers、quotes、technical terms 必须精确验证。
- 存在 difficult accents、crosstalk、poor audio。
- editorial nuance 很重要。
- 需要 domain expertise。
- 遗漏 error 的成本明显高于 review 成本。
这些情况下优先 AI-first
- 需要处理大量 hours。
- 快速需要 searchable draft。
- audio quality 较好。
- transcript 是 subtitle/edit/search/repurposing 中间步骤。
- 可以只 review high-risk sections。
- 需要 scale multilingual processing。
2026 实用 workflow：AI first，把 human effort 放在高风险区域
- 用强 ASR model 生成 transcript。
- multi-speaker 内容把 diarization 作为独立 task。
- 为 names/products/technical terms 使用 glossary/reference。
- 优先 review noise、overlap、fast speech、speaker changes。
- 单独检查 names、numbers、dates、quotes。
- 做 subtitles 时，在 text 正确后再检查 timing、segmentation、reading speed、line breaks。
- 只有真正 critical material 才进行 deep human review。
- 统计 corrections/minute 与 total QA time。
Subvideo.ai 在 hybrid model 中的位置
Subvideo.ai 面向 AI-first subtitle workflow，而不是 outsourced human transcription。它生成 Whisper-based subtitles，可选 speaker detection，提供 visual timeline/editor 进行 manual correction、translation，并可 export SRT/VTT/ASS 或 burned-in MP4。Guest mode 当前在 EU 处理并于 48 小时后删除。
简单 decision framework
Low risk + high volume
AI-first，review sample 与 critical fields。
Medium risk + difficult audio
AI draft + structured human QA。
High risk
Human-reviewed workflow，并记录 review process。
目标是 subtitles
text 后继续检查 timing、speaker、readability。
Sensitive media
按 location、retention、access、contracts 选择。
Cost 不确定
在 representative batch 上测真实 QA minutes。
AI 并没有让 human transcription 失去意义，而是改变了人类工作最有价值的位置。对于 scalable media workflow，AI-first 通常是高效的第一步；对于 difficult/high-stakes content，human review 仍然是把快速 draft 变成可信 final output 的 quality layer。
AI vs 人工转写 FAQ
AI 比人更准确吗？
没有统一答案。clean audio 对 AI 很有利；context、difficult accent、terminology 有时人更强。
什么是 WER？
它衡量 reference 对比中的 substitution、deletion、insertion。越低越好，但不反映 error 的重要程度。
人工转写总是 99% 吗？
不是。一些 service 在特定条件下保证 99%，但实际仍依赖 audio、language、expertise、QA。
什么时候 Human Review 最重要？
names、numbers、quotes 或 high-stakes facts 必须正确时。
AI 更便宜吗？
对 volume 和 draft 通常是，但要把 editing、QA、storage、specialist review 一起算。
字幕最佳 workflow？
AI generate → transcript correction → speaker review → timing/segmentation/readability QA。