Wie genau sind automatische Untertitel?
Von der Person hinter Captions Cut. Fakten geprüft am anhand der unter Quellen aufgeführten Seiten.
Die kurze Antwort
Bei klarer Sprache in einer großen Sprache erkennt die beste heutige Spracherkennung etwa 95 bis 98 von 100 Wörtern richtig (eine Wortfehlerrate von 2 bis 5 %). Das lässt in einem Clip mit 45 Sekunden immer noch ein paar Fehler, meist bei Namen, Slang und Zahlen. Die Genauigkeit sinkt stark bei Hintergrundlärm, weit entfernten Mikrofonen, überlappenden Sprechenden, starken Akzenten und weniger verbreiteten Sprachen, lies also jeden Untertitel vor dem Posten durch.
Wortfehlerrate, in einfachen Worten
Die Wortfehlerrate (WER) zählt die Wörter, die ein System falsch erkennt (ersetzt, ausgelassen oder hinzugefügt), pro hundert gesprochene. Eine WER von 5 % bedeutet etwa einen Fehler alle zwanzig Wörter. Ein kurzer Clip hat 100 bis 150 Wörter, daher bleibt selbst bei einem exzellenten System meist etwas zu korrigieren.
Was Systeme erreichen
| Benchmark | Ergebnis | Wer gemessen hat |
|---|---|---|
| Artificial Analysis, ca. 8 Stunden englisches Audio aus der Praxis | ElevenLabs Scribe v2: 2,2 % WER, etwa Platz vier unter den getesteten Modellen | Unabhängiger Benchmark |
| Eigene Datensätze von AssemblyAI | Dessen Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 % | AssemblyAI (ein Anbieter) |
| LibriSpeech test-clean (vorgelesene Hörbücher) | Whisper large-v2: 2,7 % WER | Whisper-Paper von OpenAI |
| Eigene Sprachstufen von ElevenLabs | 5 % oder weniger für Englisch, Französisch, Deutsch, Spanisch und Japanisch; 20 bis 50 % für Urdu, Yoruba und Zulu | ElevenLabs (ein Anbieter) |
Woran es scheitert
- Lärm und Entfernung. In der CHiME-6-Challenge erreichte das Basissystem bei Aufnahmen von Leuten, die quer durch einen Raum sprechen, rund 51 % WER.
- Wer spricht. Eine Studie in PNAS von 2020 ergab, dass fünf kommerzielle Systeme bei Schwarzen Sprechenden im Schnitt 35 % WER hatten, bei weißen 19 %.
- Überlappung und gemischte Sprachen. YouTube nennt überlappende Sprechende, gemischte Sprachen und lange Stille unter den Gründen, warum die eigenen Untertitel scheitern.
- Erfundenes. Das Whisper-Paper hält fest, dass Modelle gelegentlich Text ausgeben können, der mit dem Audio nichts zu tun hat.
So werden Untertitel sauberer
- Nimm nah am Mikrofon auf, weit weg von Musik und Verkehr.
- Wähle bei kurzen oder gemischten Clips die gesprochene Sprache selbst, statt sie automatisch erkennen zu lassen.
- Lies das Transkript vor dem Export. In Captions Cut ist jedes Wort bearbeitbar: Tippe darauf, um den Text oder sein Timing zu korrigieren.
Wie wir geprüft haben
Anbieter setzen sich bei Benchmarks, die sie selbst wählen, auf Platz eins, daher sind ihre Zahlen als ihre eigenen gekennzeichnet und werden nicht zwischen Anbietern verglichen. Die unabhängige Zahl stammt von Artificial Analysis. Abgerufen am 22. Oktober 2026.
Fragen
Sind automatische Untertitel genau genug, um sie ungeprüft zu posten?
Selten. Selbst bei 2 bis 5 % WER hat ein kurzer Clip meist ein bis zwei Fehler, oft bei einem Namen. Lies sie vorher durch.
Welche Sprachen werden am besten transkribiert?
Weit verbreitete Sprachen mit vielen Trainingsdaten (Englisch, Spanisch, Französisch, Deutsch, Japanisch und andere) schneiden am besten ab. Captions Cut transkribiert 53; weniger verbreitete brauchen mehr Korrektur.
Quellen
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: Benchmarks
- Radford et al. (2022), Whisper
- ElevenLabs: Speech to Text
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: automatische Untertitel
Jede Seite abgerufen am .