¿Qué precisión tienen los subtítulos automáticos?
Por quien crea Captions Cut. Datos consultados el en las páginas que figuran en Fuentes.
La respuesta corta
Con habla clara en un idioma mayoritario, el mejor reconocimiento de voz actual acierta unas 95 a 98 palabras de cada 100 (una tasa de error de palabras del 2 al 5 %). Aun así, quedan algunos errores en un clip de 45 segundos, normalmente en nombres, jerga y números. La precisión cae mucho con ruido de fondo, micrófonos lejanos, voces superpuestas, acentos marcados e idiomas con menos recursos, así que lee cada subtítulo antes de publicar.
La tasa de error de palabras, en palabras sencillas
La tasa de error de palabras (WER) cuenta las palabras que un sistema falla (sustituidas, omitidas o añadidas) por cada cien pronunciadas. Una WER del 5 % significa un error cada veinte palabras. Un clip corto tiene de 100 a 150 palabras, así que incluso un sistema excelente suele dejar algo por corregir.
Qué puntuaciones obtienen los sistemas
| Prueba de referencia | Resultado | Quién lo midió |
|---|---|---|
| Artificial Analysis, unas 8 horas de audio real en inglés | ElevenLabs Scribe v2: 2,2 % de WER, aproximadamente el cuarto de los modelos probados | Prueba de referencia independiente |
| Los propios conjuntos de datos de AssemblyAI | Su Universal-3.5 Pro, 4,35 %; GPT-4o Transcribe, 5,34 %; Scribe v2, 5,87 %; Deepgram Nova-3, 6,66 % | AssemblyAI (un proveedor) |
| LibriSpeech test-clean (audiolibros leídos) | Whisper large-v2: 2,7 % de WER | El artículo de Whisper de OpenAI |
| Los propios niveles por idioma de ElevenLabs | 5 % o menos para inglés, francés, alemán, español y japonés; del 20 al 50 % para urdu, yoruba y zulú | ElevenLabs (un proveedor) |
Qué lo hace fallar
- Ruido y distancia. En el desafío CHiME-6, las grabaciones de personas hablando desde el otro lado de una sala obtuvieron en torno a un 51 % de WER con el sistema de referencia.
- Quién habla. Un estudio de 2020 en PNAS encontró que cinco sistemas comerciales tenían de media un 35 % de WER con hablantes negros frente a un 19 % con hablantes blancos.
- Solapamiento e idiomas mezclados. YouTube incluye las voces superpuestas, los idiomas mezclados y los silencios largos entre los motivos por los que fallan sus propios subtítulos.
- Invenciones. El artículo de Whisper señala que los modelos pueden producir ocasionalmente texto sin relación con el audio.
Cómo obtener subtítulos más limpios
- Graba cerca del micrófono, lejos de la música y del tráfico.
- Elige el idioma hablado en lugar de detectarlo automáticamente en clips cortos o con varios idiomas.
- Lee la transcripción antes de exportar. En Captions Cut cada palabra es editable: tócala para corregir el texto o su sincronización.
Cómo lo hemos comprobado
Los proveedores se sitúan en primer lugar en las pruebas de referencia que ellos eligen, por lo que sus cifras se indican como suyas y no se comparan entre proveedores. La cifra independiente es la de Artificial Analysis. Consultado el 22 de octubre de 2026.
Preguntas
¿Los subtítulos automáticos son lo bastante precisos como para publicarlos sin revisar?
Rara vez. Incluso con un 2 a 5 % de WER, un clip corto suele tener un error o dos, a menudo en un nombre. Léelos antes.
¿Qué idiomas se transcriben mejor?
Los idiomas muy hablados y con muchos datos de entrenamiento (inglés, español, francés, alemán, japonés y otros) obtienen los mejores resultados. Captions Cut transcribe 53; los que tienen menos recursos requieren más correcciones.
Fuentes
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: pruebas de referencia
- Radford et al. (2022), Whisper
- ElevenLabs: voz a texto
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: subtítulos automáticos
Cada página, consultada el .
Añade subtítulos a un vídeo en tu navegador Consigue la app para iPhone