Quanto sono accurati i sottotitoli automatici?
A cura di chi ha creato Captions Cut. Dati verificati il dalle pagine elencate in Fonti.
La risposta breve
Su un parlato chiaro in una lingua principale, il miglior riconoscimento vocale di oggi indovina circa 95-98 parole su 100 (un tasso di errore sulle parole del 2-5%). Restano comunque alcuni errori in una clip di 45 secondi, di solito in nomi, slang e numeri. L’accuratezza cala sensibilmente con rumore di fondo, microfoni lontani, voci sovrapposte, accenti marcati e lingue con meno risorse, quindi rileggi ogni sottotitolo prima di pubblicare.
Il tasso di errore sulle parole, in parole semplici
Il tasso di errore sulle parole (WER) conta le parole che un sistema sbaglia (sostituite, omesse o aggiunte) ogni cento pronunciate. Un WER del 5% significa circa un errore ogni venti parole. Una clip breve ha da 100 a 150 parole, quindi anche un sistema eccellente di solito lascia qualcosa da correggere.
I punteggi dei sistemi
| Benchmark | Risultato | Chi ha misurato |
|---|---|---|
| Artificial Analysis, circa 8 ore di audio reale in inglese | ElevenLabs Scribe v2: WER 2,2%, circa quarto tra i modelli testati | Benchmark indipendente |
| Dataset propri di AssemblyAI | Il suo Universal-3.5 Pro 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66% | AssemblyAI (un fornitore) |
| LibriSpeech test-clean (audiolibri letti) | Whisper large-v2: WER 2,7% | Articolo su Whisper di OpenAI |
| Livelli per lingua di ElevenLabs | 5% o meno per inglese, francese, tedesco, spagnolo e giapponese; dal 20 al 50% per urdu, yoruba e zulu | ElevenLabs (un fornitore) |
Cosa lo fa fallire
- Rumore e distanza. Nella sfida CHiME-6, le registrazioni di persone che parlano dall’altra parte di una stanza hanno ottenuto circa il 51% di WER con il sistema di riferimento.
- Chi parla. Uno studio del 2020 su PNAS ha rilevato che cinque sistemi commerciali hanno ottenuto in media un WER del 35% per i parlanti neri contro il 19% per i parlanti bianchi.
- Sovrapposizioni e lingue miste. YouTube indica voci sovrapposte, lingue miste e lunghi silenzi tra i motivi per cui falliscono i suoi sottotitoli.
- Invenzioni. L’articolo su Whisper osserva che i modelli possono occasionalmente produrre testo non correlato all’audio.
Sottotitoli più puliti
- Registra vicino al microfono, lontano da musica e traffico.
- Scegli la lingua parlata invece di usare il rilevamento automatico su clip brevi o in più lingue.
- Leggi la trascrizione prima di esportare. In Captions Cut ogni parola è modificabile: toccala per correggere il testo o i tempi.
Come abbiamo verificato
I fornitori si piazzano al primo posto nei benchmark che scelgono loro, quindi i loro numeri sono indicati come tali e non confrontati tra fornitori. Il dato indipendente è quello di Artificial Analysis. Letto il 22 ottobre 2026.
Domande
I sottotitoli automatici sono abbastanza accurati da pubblicarli senza controllare?
Raramente. Anche con un WER del 2-5% una clip breve ha di solito un errore o due, spesso in un nome. Leggili prima.
Quali lingue vengono trascritte meglio?
Le lingue molto parlate e con molti dati di addestramento (inglese, spagnolo, francese, tedesco, giapponese e altre) ottengono i risultati migliori. Captions Cut ne trascrive 53; quelle con meno risorse richiedono più correzioni.
Fonti
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: benchmark
- Radford et al. (2022), Whisper
- ElevenLabs: speech to text
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: sottotitoli automatici
Ogni pagina letta il .