两个引擎，一项任务

Ray 使用两个语音识别引擎，因为不同的字幕工作流对取舍有不同的要求。

Sunray（原名 Ray Max）针对准确性进行了优化。它适用于低资源语言、档案资料、专业字幕制作，以及任何需要文本尽可能贴近语音内容的场景。

MoonRay（原名 Ray Turbo）针对速度进行了优化。它适用于实时观看、快速预览和大批量处理等需要迅速获得可用字幕的场景。

本文所依据的基准测试使用相同的评估流程，对两个引擎在 98 种语言上的表现进行比较。其目的不是笼统地声称 Ray 支持多语言，而是提供一种可重复的方法，以了解这些引擎在多种文字系统、口音和语系中的表现。

注意：下方图表制作于引擎更名之前，因此图例中仍显示原名称——Ray Max 现已更名为 Sunray，Ray Turbo 现已更名为 MoonRay。

如何解读数据

主要指标是字错误率（Word Error Rate），通常缩写为 WER。数值越低越好。WER 为 5% 意味着转录文本与参考文本非常接近。WER 较高则意味着引擎产生了更多替换、插入或删除错误。

为了便于比较，同一结果也可以用准确率表示：

accuracy = max(0, 100 - WER)

第二种视图更便于快速浏览，但 WER 仍是更实用的工程指标，因为它能准确显示模型在哪些方面遇到了困难。

整体表现

完整结果：全部 98 种语言

表现优异的语言

最具挑战性的语言

我们衡量什么

• 98 种语言的识别质量
• Sunray 与 MoonRay 之间的差异
• 准确率已足以满足日常字幕需求的语言
• 需要更多训练数据、规范化处理或特定语言处理的语言
• 模型插入的文本多于源音频内容的失败案例

这对字幕为何重要

评价字幕引擎不能只看它处理英语的能力。真实的观看场景更加复杂：多语言电影、语码转换、地区性名称、有噪声的录音，以及在场景中途切换语言的内容。

Ray 正是为这种现实而构建。基准测试帮助我们选择默认设置、设定预期，并决定下一步训练和评估工作的方向。

重要的产品结论很简单：Ray 可以根据任务在速度和准确性之间做出选择，并且随着更多语言进入基准测试流程，两个引擎都在不断改进。