Quina precisió tenen els subtítols automàtics?
Per qui fa Captions Cut. Dades consultades el a les pàgines que figuren a Fonts.
La resposta curta
Amb una parla clara en un idioma important, el millor reconeixement de veu actual encerta unes 95 a 98 paraules de cada 100 (una taxa d'error de paraules del 2 al 5%). Això encara deixa alguns errors en un clip de 45 segons, normalment en noms, llenguatge col·loquial i números. La precisió baixa molt amb soroll de fons, micròfons llunyans, parlants que se superposen, accents marcats i idiomes amb menys recursos, així que llegeix cada subtítol abans de publicar.
La taxa d'error de paraules, en paraules senzilles
La taxa d'error de paraules (WER) compta les paraules que un sistema falla (substituïdes, omeses o afegides) per cada cent pronunciades. Una WER del 5% vol dir uns un error cada vint paraules. Un clip curt té entre 100 i 150 paraules, així que fins i tot un sistema excel·lent sol deixar alguna cosa per corregir.
Què puntuen els sistemes
| Prova de referència | Resultat | Qui ho va mesurar |
|---|---|---|
| Artificial Analysis, unes 8 hores d'àudio real en anglès | ElevenLabs Scribe v2: 2,2% de WER, cap al quart lloc entre els models provats | Prova de referència independent |
| Els conjunts de dades d'AssemblyAI | El seu Universal-3.5 Pro 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66% | AssemblyAI (un proveïdor) |
| LibriSpeech test-clean (audiollibres llegits) | Whisper large-v2: 2,7% de WER | L'article de Whisper d'OpenAI |
| Els nivells per idioma d'ElevenLabs | 5% o menys per a anglès, francès, alemany, castellà i japonès; del 20 al 50% per a urdú, ioruba i zulu | ElevenLabs (un proveïdor) |
Què el fa fallar
- Soroll i distància. Al repte CHiME-6, els enregistraments de gent parlant a banda i banda d'una sala van obtenir al voltant d'un 51% de WER amb el sistema de referència.
- Qui parla. Un estudi del 2020 a PNAS va trobar que cinc sistemes comercials obtenien de mitjana un 35% de WER amb persones negres i un 19% amb persones blanques.
- Superposició i idiomes barrejats. YouTube inclou els parlants que se superposen, els idiomes barrejats i els silencis llargs entre els motius pels quals fallen els seus propis subtítols.
- Invencions. L'article de Whisper assenyala que els models de vegades poden generar text sense relació amb l'àudio.
Per obtenir subtítols més nets
- Grava a prop del micròfon, lluny de la música i del trànsit.
- Tria l'idioma parlat en lloc de detectar-lo automàticament en clips curts o amb diversos idiomes.
- Llegeix la transcripció abans d'exportar. A Captions Cut cada paraula és editable: toca-la per corregir-ne el text o el temps.
Com ho hem comprovat
Els proveïdors se situen en primer lloc en les proves que ells trien, així que les seves xifres s'indiquen com a seves i no es comparen entre proveïdors. La xifra independent és la d'Artificial Analysis. Consultat el 22 d'octubre del 2026.
Preguntes
Els subtítols automàtics són prou precisos per publicar-los sense revisar-los?
Gairebé mai. Fins i tot amb un 2 a 5% de WER, un clip curt sol tenir un error o dos, sovint en un nom. Llegeix-los primer.
Quins idiomes es transcriuen millor?
Els idiomes molt parlats i amb moltes dades d'entrenament (anglès, castellà, francès, alemany, japonès i altres) obtenen les millors puntuacions. Captions Cut en transcriu 53; els que tenen menys recursos necessiten més correcció.
Fonts
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: proves de referència
- Radford et al. (2022), Whisper
- ElevenLabs: veu a text
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: subtítols automàtics
Cada pàgina consultada el .
Posa subtítols a un vídeo al navegador Obtén l'app per a l'iPhone