近日，研究团队发布业界首个面向企业客服场景的语音转写基准测试，旨在评估前沿模型对双语混说现象的处理能力。该评测构建覆盖西英、法英、加拿大法英及德英四种主流语种对的数据集，聚焦人力资源与IT运维等高频交互场景，并采用词错误率、语义词错误率及答案错误率三项核心指标，全面衡量转录精度与下游业务逻辑的保留程度。 评测结果显示，ElevenLabs Scribe V2、Gemini 3 Flash与AssemblyAI Universal 3-Pro在各项指标中位列前茅。研究发现，代码转换带来的性能损耗因模型与语种组合差异显著。头部模型在双语混说下的识别成本仅比单语基准微幅上升，展现出极强的鲁棒性；而OpenAI Whisper Large V3 Turbo因默认英译逻辑，性能大幅落后。深入分析表明，转录错误的发生概率与句内语言切换次数正相关，但错误严重程度主要由双语混合密度决定。值得注意的是，识别失误异常集中于嵌入的英文片段，这可能源于专业术语密集或模型在语码切换时的上下文适配延迟。 报告指出，双语混说正从语音模型的极限挑战演变为常规测试条件。顶尖ASR系统已能实现低损耗的自然双语转写，但企业部署时仍需根据实际客服语种对进行专项基准测试，以确保系统选型与业务需求精准匹配，保障多语言用户交互体验与后端任务执行的稳定性。