Captions Cut

Kuinka tarkkoja automaattiset tekstitykset ovat?

Captions Cutin tekijältä. Tiedot tarkistettu Lähteet-kohdassa listatuilta sivuilta.

Lyhyt vastaus

Selkeässä puheessa suurella kielellä nykyinen paras puheentunnistus saa noin 95–98 sanaa sadasta oikein (sanavirheprosentti 2–5 %). Se jättää silti muutaman virheen 45 sekunnin leikkeeseen, yleensä nimiin, slangiin ja numeroihin. Tarkkuus laskee jyrkästi taustamelun, kaukana olevien mikrofonien, päällekkäin puhuvien, voimakkaiden aksenttien ja vähemmän resursoitujen kielten myötä, joten lue jokainen tekstitys ennen julkaisua.

Sanavirheprosentti selkokielellä

Sanavirheprosentti (WER) laskee järjestelmän väärin tekemät sanat (korvatut, pois jätetyt tai lisätyt) sataa lausuttua sanaa kohden. 5 %:n WER tarkoittaa noin yhtä virhettä kahtakymmentä sanaa kohden. Lyhyessä leikkeessä on 100–150 sanaa, joten erinomainenkin järjestelmä jättää yleensä jotain korjattavaa.

Mitä järjestelmät saavuttavat

VertailutestiTulosKuka mittasi
Artificial Analysis, ~8 tuntia todellista englanninkielistä ääntäElevenLabs Scribe v2: 2,2 % WER, testatuista malleista noin neljäntenäRiippumaton vertailutesti
AssemblyAI:n omat aineistotSen Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 %AssemblyAI (toimittaja)
LibriSpeech test-clean (luetut äänikirjat)Whisper large-v2: 2,7 % WEROpenAI:n Whisper-artikkeli
ElevenLabsin omat kielitasot5 % tai vähemmän englannille, ranskalle, saksalle, espanjalle ja japanille; 20–50 % urdulle, joruballe ja zulilleElevenLabs (toimittaja)

Mikä saa sen epäonnistumaan

  • Melu ja etäisyys. CHiME-6-haasteessa huoneen poikki puhuvien ihmisten äänitteet saivat perusjärjestelmällä noin 51 %:n WER:n.
  • Kuka puhuu. PNAS-lehden vuoden 2020 tutkimuksessa viiden kaupallisen järjestelmän keskimääräinen WER oli mustille puhujille 35 % ja valkoisille puhujille 19 %.
  • Päällekkäisyys ja sekakielisyys. YouTube luettelee päällekkäin puhuvat, sekakielisyyden ja pitkät hiljaisuudet syiksi, miksi sen omat tekstitykset epäonnistuvat.
  • Keksityt sisällöt. Whisper-artikkelissa todetaan, että mallit voivat toisinaan tuottaa tekstiä, joka ei liity ääneen.

Siistimmät tekstitykset

  • Äänitä lähellä mikrofonia, kaukana musiikista ja liikenteestä.
  • Valitse puhuttu kieli itse sen sijaan, että antaisit sen tunnistua automaattisesti lyhyissä tai sekakielisissä leikkeissä.
  • Lue litterointi ennen vientiä. Captions Cutissa jokainen sana on muokattavissa: napauta sitä korjataksesi tekstin tai ajoituksen.

Miten tarkistimme

Toimittajat sijoittavat itsensä ensimmäisiksi valitsemissaan vertailutesteissä, joten niiden luvut on merkitty niiden omiksi eikä niitä verrata toimittajien kesken. Riippumaton luku on Artificial Analysisin. Luettu 22. lokakuuta 2026.

Kysymyksiä

Ovatko automaattiset tekstitykset riittävän tarkkoja julkaistaviksi tarkistamatta?

Harvoin. Vaikka WER olisi 2–5 %, lyhyessä leikkeessä on yleensä virhe tai pari, usein nimessä. Lue ne ensin.

Mitkä kielet litteroituvat parhaiten?

Laajasti puhutut kielet, joista on paljon koulutusdataa (englanti, espanja, ranska, saksa, japani ja muut), saavat parhaat tulokset. Captions Cut litteroi 53 kieltä; vähemmän resursoidut kielet vaativat enemmän korjausta.

Lähteet

Jokainen sivu luettu .

Tekstitä video selaimessa Hanki iPhone-appi