Captions Cut

ઑટોમેટિક કૅપ્શન કેટલા સચોટ છે?

Captions Cut બનાવનાર વ્યક્તિ દ્વારા. તથ્યો ના રોજ સ્રોતો હેઠળ આપેલા પેજ પરથી તપાસેલા.

ટૂંકો જવાબ

મોટી ભાષામાં સ્પષ્ટ બોલચાલ પર, આજનું શ્રેષ્ઠ સ્પીચ રેકગ્નિશન 100 માંથી લગભગ 95 થી 98 શબ્દ સાચા મેળવે છે (2 થી 5% વર્ડ એરર રેટ). તોય 45 સેકન્ડની ક્લિપમાં થોડી ભૂલો રહે છે, સામાન્ય રીતે નામ, બોલચાલની ભાષા અને આંકડામાં. બૅકગ્રાઉન્ડ ઘોંઘાટ, દૂરના માઇક્રોફોન, એકબીજા પર બોલતા લોકો, તીવ્ર લહેકા અને ઓછા સંસાધનવાળી ભાષાઓમાં ચોકસાઈ તીવ્રપણે ઘટે છે, તેથી પોસ્ટ કરતાં પહેલાં દરેક કૅપ્શન વાંચો.

વર્ડ એરર રેટ, સાદા શબ્દોમાં

વર્ડ એરર રેટ (WER) દર સો બોલાયેલા શબ્દ દીઠ સિસ્ટમ જે શબ્દો ખોટા મેળવે છે (બદલાયેલા, રહી ગયેલા કે ઉમેરાયેલા) તે ગણે છે. 5% WER એટલે દર વીસ શબ્દે લગભગ એક ભૂલ. ટૂંકી ક્લિપમાં 100 થી 150 શબ્દ હોય છે, તેથી ઉત્તમ સિસ્ટમ પણ સામાન્ય રીતે કંઈક સુધારવા જેવું છોડે છે.

સિસ્ટમ કેટલો સ્કોર કરે છે

બેન્ચમાર્કપરિણામકોણે માપ્યું
Artificial Analysis, લગભગ 8 કલાકનો વાસ્તવિક અંગ્રેજી ઑડિયોElevenLabs Scribe v2: 2.2% WER, ચકાસાયેલા મૉડલમાં લગભગ ચોથુંસ્વતંત્ર બેન્ચમાર્ક
AssemblyAI ના પોતાના ડેટાસેટતેનું Universal-3.5 Pro 4.35%; GPT-4o Transcribe 5.34%; Scribe v2 5.87%; Deepgram Nova-3 6.66%AssemblyAI (એક વેન્ડર)
LibriSpeech test-clean (વાંચેલા ઑડિયોબુક)Whisper large-v2: 2.7% WEROpenAI નું Whisper પેપર
ElevenLabs ના પોતાના ભાષા ટિયરઅંગ્રેજી, ફ્રેન્ચ, જર્મન, સ્પેનિશ અને જાપાની માટે 5% કે ઓછું; Urdu, Yoruba અને Zulu માટે 20 થી 50%ElevenLabs (એક વેન્ડર)

શાથી નિષ્ફળ જાય છે

  • ઘોંઘાટ અને અંતર. CHiME-6 પડકારમાં, રૂમની આરપાર વાતો કરતા લોકોના રેકોર્ડિંગે બેઝલાઇન સિસ્ટમ માટે લગભગ 51% WER મેળવ્યો.
  • કોણ બોલે છે. PNAS માં 2020 ના એક અભ્યાસમાં પાંચ વ્યાવસાયિક સિસ્ટમનો સરેરાશ WER અશ્વેત બોલનારા માટે 35% અને શ્વેત બોલનારા માટે 19% મળ્યો.
  • એકબીજા પર બોલવું અને મિશ્ર ભાષાઓ. YouTube પોતાના કૅપ્શન નિષ્ફળ જવાના કારણોમાં એકબીજા પર બોલતા લોકો, મિશ્ર ભાષાઓ અને લાંબી શાંતિ ગણાવે છે.
  • મનઘડંત લખાણ. Whisper પેપર નોંધે છે કે મૉડલ ક્યારેક ઑડિયો સાથે સંબંધ ન ધરાવતું ટેક્સ્ટ આપી શકે છે.

વધુ સ્વચ્છ કૅપ્શન મેળવવા

  • માઇક્રોફોનની નજીક, સંગીત અને ટ્રાફિકથી દૂર રેકોર્ડ કરો.
  • ટૂંકી કે મિશ્ર ભાષાવાળી ક્લિપ પર ઑટો ડિટેક્ટને બદલે બોલાતી ભાષા જાતે પસંદ કરો.
  • એક્સપોર્ટ કરતાં પહેલાં ટ્રાન્સક્રિપ્ટ વાંચો. Captions Cut માં દરેક શબ્દ એડિટ કરી શકાય છે: ટેક્સ્ટ કે તેનો સમય સુધારવા તેના પર ટૅપ કરો.

અમે કેવી રીતે તપાસ્યું

વેન્ડર પોતે પસંદ કરેલા બેન્ચમાર્ક પર પોતાને પ્રથમ ક્રમે મૂકે છે, તેથી તેમના આંકડા તેમના તરીકે લેબલ કરેલા છે અને વેન્ડરો વચ્ચે સરખાવાયા નથી. સ્વતંત્ર આંકડો Artificial Analysis નો છે. 22 ઑક્ટોબર 2026 ના રોજ વાંચેલું.

પ્રશ્નો

શું ઑટોમેટિક કૅપ્શન તપાસ્યા વિના પોસ્ટ કરવા જેટલા સચોટ છે?

ભાગ્યે જ. 2 થી 5% WER પર પણ ટૂંકી ક્લિપમાં સામાન્ય રીતે એક-બે ભૂલ હોય છે, ઘણીવાર નામમાં. પહેલાં તેમને વાંચી લો.

કઈ ભાષાઓ સૌથી સારી ટ્રાન્સક્રાઇબ થાય છે?

ઘણા ટ્રેનિંગ ડેટા ધરાવતી વ્યાપક રીતે બોલાતી ભાષાઓ (અંગ્રેજી, સ્પેનિશ, ફ્રેન્ચ, જર્મન, જાપાની અને બીજી) સૌથી સારો સ્કોર કરે છે. Captions Cut 53 ટ્રાન્સક્રાઇબ કરે છે; ઓછા સંસાધનવાળી ભાષાઓમાં વધુ સુધારવું પડે છે.

સ્રોતો

દરેક પેજ ના રોજ વાંચ્યું.

તમારા બ્રાઉઝરમાં વીડિયોને કૅપ્શન આપો iPhone ઍપ મેળવો