Captions Cut

Πόσο ακριβείς είναι οι αυτόματοι υπότιτλοι;

Από το πρόσωπο που φτιάχνει το Captions Cut. Τα στοιχεία ελέγχθηκαν στις από τις σελίδες που αναφέρονται στις Πηγές.

Η σύντομη απάντηση

Σε καθαρό λόγο σε μεγάλη γλώσσα, η καλύτερη σημερινή αναγνώριση ομιλίας πετυχαίνει περίπου 95 έως 98 λέξεις στις 100 (ποσοστό σφαλμάτων λέξεων 2 έως 5%). Αυτό αφήνει ακόμη μερικά λάθη σε ένα κλιπ 45 δευτερολέπτων, συνήθως σε ονόματα, αργκό και αριθμούς. Η ακρίβεια πέφτει απότομα με θόρυβο υποβάθρου, μακρινά μικρόφωνα, επικαλυπτόμενους ομιλητές, έντονες προφορές και γλώσσες με λιγότερους πόρους, γι' αυτό διαβάστε κάθε υπότιτλο πριν δημοσιεύσετε.

Το ποσοστό σφαλμάτων λέξεων, με απλά λόγια

Το ποσοστό σφαλμάτων λέξεων (WER) μετρά τις λέξεις που ένα σύστημα κάνει λάθος (αντικαθιστά, παραλείπει ή προσθέτει) ανά εκατό εκφωνούμενες. Ένα WER 5% σημαίνει περίπου ένα λάθος ανά είκοσι λέξεις. Ένα σύντομο κλιπ έχει 100 έως 150 λέξεις, οπότε ακόμη και ένα εξαιρετικό σύστημα συνήθως αφήνει κάτι να διορθωθεί.

Τι βαθμολογία παίρνουν τα συστήματα

BenchmarkΑποτέλεσμαΠοιος μέτρησε
Artificial Analysis, ~8 ώρες πραγματικού αγγλικού ήχουElevenLabs Scribe v2: 2,2% WER, περίπου τέταρτο στα μοντέλα που δοκιμάστηκανΑνεξάρτητο benchmark
Τα δικά του σύνολα δεδομένων της AssemblyAIΤο Universal-3.5 Pro 4,35%· GPT-4o Transcribe 5,34%· Scribe v2 5,87%· Deepgram Nova-3 6,66%AssemblyAI (προμηθευτής)
LibriSpeech test-clean (διαβασμένα ηχητικά βιβλία)Whisper large-v2: 2,7% WERΗ εργασία του OpenAI για το Whisper
Τα δικά της επίπεδα γλωσσών της ElevenLabs5% ή λιγότερο για Αγγλικά, Γαλλικά, Γερμανικά, Ισπανικά και Ιαπωνικά· 20 έως 50% για Ουρντού, Γιορούμπα και ΖουλούElevenLabs (προμηθευτής)

Τι την κάνει να αποτυγχάνει

  • Θόρυβος και απόσταση. Στην πρόκληση CHiME-6, οι ηχογραφήσεις ανθρώπων που μιλούσαν σε διαφορετικά σημεία ενός δωματίου έβγαλαν περίπου 51% WER για το σύστημα αναφοράς.
  • Ποιος μιλά. Μια μελέτη του 2020 στο PNAS βρήκε ότι πέντε εμπορικά συστήματα είχαν μέσο WER 35% για μαύρους ομιλητές έναντι 19% για λευκούς.
  • Επικάλυψη και μικτές γλώσσες. Το YouTube αναφέρει τους επικαλυπτόμενους ομιλητές, τις μικτές γλώσσες και τις μεγάλες σιωπές ανάμεσα στους λόγους για τους οποίους αποτυγχάνουν οι δικοί του υπότιτλοι.
  • Επινοήσεις. Η εργασία για το Whisper σημειώνει ότι τα μοντέλα μπορεί περιστασιακά να παράγουν κείμενο άσχετο με τον ήχο.

Πώς να έχετε καθαρότερους υπότιτλους

  • Ηχογραφήστε κοντά στο μικρόφωνο, μακριά από μουσική και κίνηση.
  • Επιλέξτε τη γλώσσα ομιλίας αντί για αυτόματο εντοπισμό σε σύντομα κλιπ ή κλιπ με μικτές γλώσσες.
  • Διαβάστε την απομαγνητοφώνηση πριν την εξαγωγή. Στο Captions Cut κάθε λέξη είναι επεξεργάσιμη: πατήστε την για να διορθώσετε το κείμενο ή τον χρόνο της.

Πώς ελέγξαμε

Οι προμηθευτές κατατάσσουν τον εαυτό τους πρώτο σε benchmark που επιλέγουν οι ίδιοι, γι' αυτό οι αριθμοί τους επισημαίνονται ως δικοί τους και δεν συγκρίνονται μεταξύ προμηθευτών. Ο ανεξάρτητος αριθμός είναι της Artificial Analysis. Διαβάστηκε στις 22 Οκτωβρίου 2026.

Ερωτήσεις

Είναι οι αυτόματοι υπότιτλοι αρκετά ακριβείς για να δημοσιευτούν χωρίς έλεγχο;

Σπάνια. Ακόμη και με WER 2 έως 5%, ένα σύντομο κλιπ έχει συνήθως ένα-δύο λάθη, συχνά σε κάποιο όνομα. Διαβάστε τους πρώτα.

Ποιες γλώσσες απομαγνητοφωνούνται καλύτερα;

Οι ευρέως ομιλούμενες γλώσσες με πολλά δεδομένα εκπαίδευσης (Αγγλικά, Ισπανικά, Γαλλικά, Γερμανικά, Ιαπωνικά και άλλες) βαθμολογούνται καλύτερα. Το Captions Cut απομαγνητοφωνεί 53· οι γλώσσες με λιγότερους πόρους χρειάζονται περισσότερες διορθώσεις.

Πηγές

Κάθε σελίδα διαβάστηκε στις .

Προσθέστε υπότιτλους σε βίντεο στο πρόγραμμα περιήγησής σας Αποκτήστε την εφαρμογή για iPhone