Hvor præcise er automatiske undertekster?

Af udvikleren af Captions Cut. Oplysningerne er kontrolleret den 22. oktober 2026 på siderne under Kilder.

Det korte svar

På tydelig tale på et stort sprog rammer nutidens bedste talegenkendelse omkring 95 til 98 ord ud af 100 rigtigt (en ordfejlsrate på 2 til 5 %). Det efterlader stadig nogle få fejl i et klip på 45 sekunder, oftest i navne, slang og tal. Nøjagtigheden falder markant ved baggrundsstøj, fjerne mikrofoner, overlappende talere, kraftige accenter og sprog med færre ressourcer, så læs hver undertekst igennem, før du poster.

Ordfejlsrate, i almindeligt sprog

Ordfejlsrate (word error rate, WER) tæller de ord, et system får forkert (erstattet, udeladt eller tilføjet) pr. hundrede talte. En WER på 5 % betyder omkring én fejl for hvert tyvende ord. Et kort klip har 100 til 150 ord, så selv et fremragende system efterlader som regel noget, der skal rettes.

Hvad systemerne scorer

Benchmark	Resultat	Hvem der målte
Artificial Analysis, ca. 8 timers engelsk lyd fra den virkelige verden	ElevenLabs Scribe v2: 2,2 % WER, omkring fjerdebedst af de testede modeller	Uafhængig benchmark
AssemblyAIs egne datasæt	Dens Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 %	AssemblyAI (en leverandør)
LibriSpeech test-clean (oplæste lydbøger)	Whisper large-v2: 2,7 % WER	OpenAIs Whisper-artikel
ElevenLabs’ egne sprogniveauer	5 % eller derunder for engelsk, fransk, tysk, spansk og japansk; 20 til 50 % for urdu, yoruba og zulu	ElevenLabs (en leverandør)

Hvad der får den til at fejle

Støj og afstand. I CHiME-6-udfordringen scorede optagelser af folk, der taler på tværs af et rum, omkring 51 % WER for basissystemet.
Hvem der taler. Et studie fra 2020 i PNAS fandt, at fem kommercielle systemer i gennemsnit havde 35 % WER for sorte talere mod 19 % for hvide.
Overlap og blandede sprog. YouTube opregner overlappende talere, blandede sprog og lange pauser blandt årsagerne til, at dets egne undertekster fejler.
Opfindelser. Whisper-artiklen bemærker, at modeller en sjælden gang kan udsende tekst, der ikke har noget med lyden at gøre.

Få renere undertekster

Optag tæt på mikrofonen, væk fra musik og trafik.
Vælg det talte sprog i stedet for at lade det registrere automatisk på korte klip eller klip med blandede sprog.
Læs transskriptionen, før du eksporterer. I Captions Cut kan hvert ord redigeres: tryk på det for at rette teksten eller dets timing.

Sådan har vi kontrolleret det

Leverandører placerer sig selv øverst på benchmarks, de selv vælger, så deres tal er mærket som deres egne og ikke sammenlignet på tværs af leverandører. Det uafhængige tal er Artificial Analysis’. Aflæst den 22. oktober 2026.

Spørgsmål

Er automatiske undertekster præcise nok til at blive postet uden kontrol?

Sjældent. Selv ved 2 til 5 % WER har et kort klip som regel en fejl eller to, ofte i et navn. Læs dem først.

Hvilke sprog transskriberes bedst?

Udbredte sprog med mange træningsdata (engelsk, spansk, fransk, tysk, japansk og andre) scorer bedst. Captions Cut transskriberer 53; sprog med færre ressourcer kræver mere rettelse.

Kilder

Hver side er aflæst den 22. oktober 2026.

Tilføj undertekster til en video i din browser Hent iPhone-appen