Captions Cut

Jak přesné jsou automatické titulky?

Napsáno osobou, která vytváří Captions Cut. Fakta ověřena podle stránek uvedených v části Zdroje.

Stručná odpověď

Na zřetelné řeči ve významném jazyce dnešní nejlepší rozpoznávání řeči trefí asi 95 až 98 slov ze 100 (chybovost slov 2 až 5 %). I to ve 45sekundovém klipu zanechá několik chyb, obvykle ve jménech, slangu a číslech. Přesnost prudce klesá s hlukem na pozadí, vzdálenými mikrofony, překrývajícími se mluvčími, silnými přízvuky a méně zastoupenými jazyky, proto si před zveřejněním přečtěte každý titulek.

Chybovost slov jednoduše

Chybovost slov (WER) počítá slova, která systém na sto vyslovených pokazí (zamění, vynechá nebo přidá). WER 5 % znamená zhruba jednu chybu na dvacet slov. Krátký klip má 100 až 150 slov, takže i výborný systém obvykle zanechá něco k opravě.

Jaké jsou výsledky systémů

Srovnávací testVýsledekKdo měřil
Artificial Analysis, ~8 hodin reálného anglického zvukuElevenLabs Scribe v2: 2,2 % WER, asi čtvrtý z testovaných modelůNezávislý srovnávací test
Vlastní datové sady AssemblyAIJeho Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 %AssemblyAI (dodavatel)
LibriSpeech test-clean (čtené audioknihy)Whisper large-v2: 2,7 % WERStudie OpenAI o Whisperu
Vlastní jazykové úrovně ElevenLabs5 % nebo méně pro angličtinu, francouzštinu, němčinu, španělštinu a japonštinu; 20 až 50 % pro urdštinu, jorubštinu a zulštinuElevenLabs (dodavatel)

Co způsobuje selhání

  • Hluk a vzdálenost. V soutěži CHiME-6 dosáhly nahrávky lidí mluvících přes místnost u základního systému WER kolem 51 %.
  • Kdo mluví. Studie z roku 2020 v PNAS zjistila, že pět komerčních systémů mělo u černošských mluvčích průměrné WER 35 % oproti 19 % u bělošských.
  • Překrývání a smíšené jazyky. YouTube uvádí překrývající se mluvčí, smíšené jazyky a dlouhá ticha mezi důvody, proč jeho vlastní titulky selhávají.
  • Vymyšlený text. Studie o Whisperu uvádí, že modely mohou občas vypsat text, který nesouvisí se zvukem.

Čistší titulky

  • Nahrávejte blízko mikrofonu, daleko od hudby a dopravy.
  • U krátkých nebo smíšených klipů vyberte mluvený jazyk místo automatického rozpoznání.
  • Před exportem si přečtěte přepis. V Captions Cut lze upravit každé slovo: klepnutím opravíte text nebo jeho časování.

Jak jsme ověřovali

Dodavatelé se v testech, které si sami zvolí, řadí na první místo, proto jsou jejich čísla označena jako jejich a mezi dodavateli se neporovnávají. Nezávislé číslo je od Artificial Analysis. Přečteno 22. října 2026.

Otázky

Jsou automatické titulky dost přesné, aby šly zveřejnit bez kontroly?

Zřídka. I při WER 2 až 5 % má krátký klip obvykle jednu či dvě chyby, často ve jménu. Nejdřív si je přečtěte.

Které jazyky se přepisují nejlépe?

Nejlépe dopadají široce používané jazyky s množstvím trénovacích dat (angličtina, španělština, francouzština, němčina, japonština a další). Captions Cut přepisuje 53; méně zastoupené vyžadují víc oprav.

Zdroje

Každá stránka přečtena .

Přidejte titulky k videu v prohlížeči Získat aplikaci pro iPhone