Koliko su točni automatski titlovi?

Piše osoba iza aplikacije Captions Cut. Činjenice provjerene 22. listopada 2026. na stranicama navedenima pod Izvori.

Kratak odgovor

Na jasnom govoru na velikom jeziku današnje najbolje prepoznavanje govora pogodi oko 95 do 98 riječi od 100 (stopa pogrešaka u riječima od 2 do 5 %). To i dalje ostavlja nekoliko pogrešaka u isječku od 45 sekundi, obično u imenima, slengu i brojevima. Točnost naglo pada uz pozadinsku buku, udaljene mikrofone, govornike koji se preklapaju, jake naglaske i jezike s manje resursa, pa pročitajte svaki titl prije objave.

Stopa pogrešaka u riječima, jednostavno rečeno

Stopa pogrešaka u riječima (WER) broji riječi koje sustav pogriješi (zamijenjene, izostavljene ili dodane) na stotinu izgovorenih. WER od 5 % znači otprilike jednu pogrešku svakih dvadeset riječi. Kratak isječak ima 100 do 150 riječi, pa čak i izvrstan sustav obično ostavi nešto za ispravljanje.

Što sustavi postižu

Mjerilo	Rezultat	Tko je mjerio
Artificial Analysis, ~8 sati stvarnog engleskog zvuka	ElevenLabs Scribe v2: 2,2 % WER, otprilike četvrti među testiranim modelima	Neovisno mjerilo
Vlastiti skupovi podataka AssemblyAI-ja	Njegov Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 %	AssemblyAI (dobavljač)
LibriSpeech test-clean (čitane audioknjige)	Whisper large-v2: 2,7 % WER	OpenAI-jev rad o Whisperu
ElevenLabsove vlastite razine jezika	5 % ili manje za engleski, francuski, njemački, španjolski i japanski; 20 do 50 % za urdu, jorubu i zulu	ElevenLabs (dobavljač)

Zbog čega zakazuje

Buka i udaljenost. U izazovu CHiME-6 snimke ljudi koji razgovaraju preko sobe postigle su oko 51 % WER za osnovni sustav.
Tko govori. Studija iz 2020. u časopisu PNAS pokazala je da je pet komercijalnih sustava u prosjeku imalo 35 % WER za crne govornike naspram 19 % za bijele govornike.
Preklapanje i miješani jezici. YouTube među razlozima zbog kojih njegovi vlastiti titlovi zakazuju navodi govornike koji se preklapaju, miješane jezike i duge tišine.
Izmišljotine. Rad o Whisperu bilježi da modeli povremeno mogu ispisati tekst koji nema veze sa zvukom.

Do čišćih titlova

Snimajte blizu mikrofona, podalje od glazbe i prometa.
Na kratkim ili miješanim isječcima odaberite govorni jezik umjesto automatskog prepoznavanja.
Pročitajte transkript prije izvoza. U aplikaciji Captions Cut svaka je riječ uredljiva: dodirnite je da ispravite tekst ili vrijeme.

Kako smo provjeravali

Dobavljači sami sebe stavljaju na prvo mjesto na mjerilima koja odaberu, pa su njihove brojke označene kao njihove i ne uspoređuju se među dobavljačima. Neovisna brojka je ona tvrtke Artificial Analysis. Pročitano 22. listopada 2026.

Pitanja

Jesu li automatski titlovi dovoljno točni za objavu bez provjere?

Rijetko. Čak i uz WER od 2 do 5 % kratki isječak obično ima pogrešku ili dvije, često u imenu. Prvo ih pročitajte.

Koji se jezici najbolje transkribiraju?

Najbolje prolaze široko govoreni jezici s mnogo podataka za učenje (engleski, španjolski, francuski, njemački, japanski i drugi). Captions Cut transkribira 53; jezici s manje resursa traže više ispravaka.

Izvori

Svaka stranica pročitana 22. listopada 2026.

Dodajte titlove videu u pregledniku Nabavite aplikaciju za iPhone