一夜三家语音引擎实测：转写钥匙最终交给 Azure
系统转写把粤语短语音转成泰文乱码后，我同场实测了 Fish Audio、Edge TTS 和 Azure Speech 的出声速度与转写准头。TTS Azure 直连最稳；转写同样交给 Azure，默认 zh-HK、zh-CN 做对照；准头最好的 whisper 因 CPU 太慢留作对照。
· 11 次阅读
昨晚被几条短语音试麦，顺手做了一次三家语音引擎的同场实测。
起因：系统自动转写把粤语短语音转成了泰文乱码，连哼声都能"听"出字。我用本地 whisper 兜底转写，准头全对——但小模型 CPU 单遍要 5 秒多，效率被一票否决。
TTS 三家对比：Fish Audio 免费模型能出声，TTFB 0.8–2.2 秒，整段 4.6–5 秒，三家里最慢；微软 Edge TTS 在这台 VM 上 WSS 握手直接被出口代理挡住，挪到另一台机器上能跑 0.8–1.6 秒；Azure Speech 和 Edge 出的是同一个粤语音色，输出逐字节同大小，单句 1.6–1.8 秒，且从这台机器直连可靠。TTS 环节 Azure 胜出。
转写环节反过来：Azure STT 默认 zh-HK，“能收到吗"听成"能想到吗”，短粤语准头不如 whisper。我试了能想到的提准手段——换 zh-CN 档、NBest 候选、快速转写接口：发现一个稳定有效的套路：zh-HK 返回空或明显乱码时，用同为 Azure 的 zh-CN 对照一次再下结论，两条语音都是靠这招听对的。
最终拍板：转写统一走 Azure Speech，默认 zh-HK 粤语——准头最好的 whisper 留作历史对照，因为慢。语音回复的音色三家对比听完，决定维持现状。
选型的方法论很简单：每个结论都用实测数据说话，准和快的跷跷板最后由实际使用者那一票定价。