Captions Cut

ಸ್ವಯಂಚಾಲಿತ ಕ್ಯಾಪ್ಶನ್‌ಗಳು ಎಷ್ಟು ನಿಖರ?

Captions Cut ತಯಾರಕರಿಂದ. ಮಾಹಿತಿಯನ್ನು ರಂದು ಮೂಲಗಳ ಅಡಿಯಲ್ಲಿ ಪಟ್ಟಿ ಮಾಡಿದ ಪುಟಗಳಿಂದ ಪರಿಶೀಲಿಸಲಾಗಿದೆ.

ಸಂಕ್ಷಿಪ್ತ ಉತ್ತರ

ಪ್ರಮುಖ ಭಾಷೆಯ ಸ್ಪಷ್ಟ ಮಾತಿನಲ್ಲಿ, ಇಂದಿನ ಅತ್ಯುತ್ತಮ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್ 100 ಪದಗಳಲ್ಲಿ ಸುಮಾರು 95 ರಿಂದ 98 ಸರಿಯಾಗಿ ಪಡೆಯುತ್ತದೆ (2 ರಿಂದ 5% ವರ್ಡ್ ಎರರ್ ರೇಟ್). ಅದರಿಂದ 45 ಸೆಕೆಂಡಿನ ಕ್ಲಿಪ್‌ನಲ್ಲಿ ಇನ್ನೂ ಕೆಲವು ತಪ್ಪುಗಳು ಉಳಿಯುತ್ತವೆ, ಸಾಮಾನ್ಯವಾಗಿ ಹೆಸರುಗಳು, ಆಡುಮಾತು ಮತ್ತು ಸಂಖ್ಯೆಗಳಲ್ಲಿ. ಹಿನ್ನೆಲೆ ಗದ್ದಲ, ದೂರದ ಮೈಕ್ರೊಫೋನ್, ಒಟ್ಟಿಗೆ ಮಾತನಾಡುವವರು, ತೀವ್ರ ಉಚ್ಚಾರಣೆ ಮತ್ತು ಕಡಿಮೆ ಸಂಪನ್ಮೂಲದ ಭಾಷೆಗಳಲ್ಲಿ ನಿಖರತೆ ತೀವ್ರವಾಗಿ ಕುಸಿಯುತ್ತದೆ, ಆದ್ದರಿಂದ ಪೋಸ್ಟ್ ಮಾಡುವ ಮೊದಲು ಪ್ರತಿ ಕ್ಯಾಪ್ಶನ್ ಅನ್ನು ಓದಿ.

ವರ್ಡ್ ಎರರ್ ರೇಟ್, ಸರಳ ಮಾತಿನಲ್ಲಿ

ವರ್ಡ್ ಎರರ್ ರೇಟ್ (WER) ಪ್ರತಿ ನೂರು ಮಾತನಾಡಿದ ಪದಗಳಲ್ಲಿ ಸಿಸ್ಟಮ್ ತಪ್ಪಾಗಿ ಪಡೆಯುವ (ಬದಲಾದ, ಬಿಟ್ಟುಹೋದ ಅಥವಾ ಸೇರಿದ) ಪದಗಳನ್ನು ಎಣಿಸುತ್ತದೆ. 5% WER ಎಂದರೆ ಪ್ರತಿ ಇಪ್ಪತ್ತು ಪದಗಳಿಗೆ ಸುಮಾರು ಒಂದು ತಪ್ಪು. ಚಿಕ್ಕ ಕ್ಲಿಪ್‌ನಲ್ಲಿ 100 ರಿಂದ 150 ಪದಗಳಿರುತ್ತವೆ, ಆದ್ದರಿಂದ ಅತ್ಯುತ್ತಮ ಸಿಸ್ಟಮ್ ಕೂಡ ಸಾಮಾನ್ಯವಾಗಿ ಏನಾದರೂ ಸರಿಪಡಿಸಲು ಉಳಿಸುತ್ತದೆ.

ಸಿಸ್ಟಮ್‌ಗಳ ಅಂಕ

ಬೆಂಚ್‌ಮಾರ್ಕ್ಫಲಿತಾಂಶಯಾರು ಅಳೆದರು
Artificial Analysis, ~8 ಗಂಟೆಯ ನೈಜ ಇಂಗ್ಲಿಷ್ ಆಡಿಯೊElevenLabs Scribe v2: 2.2% WER, ಪರೀಕ್ಷಿಸಿದ ಮಾಡೆಲ್‌ಗಳಲ್ಲಿ ಸುಮಾರು ನಾಲ್ಕನೆಯದುಸ್ವತಂತ್ರ ಬೆಂಚ್‌ಮಾರ್ಕ್
AssemblyAI ಯ ಸ್ವಂತ ಡೇಟಾಸೆಟ್‌ಗಳುಅದರ Universal-3.5 Pro 4.35%; GPT-4o Transcribe 5.34%; Scribe v2 5.87%; Deepgram Nova-3 6.66%AssemblyAI (ಮಾರಾಟಗಾರ)
LibriSpeech test-clean (ಓದಿದ ಆಡಿಯೊಬುಕ್‌ಗಳು)Whisper large-v2: 2.7% WEROpenAI ಯ Whisper ಪೇಪರ್
ElevenLabs ನ ಸ್ವಂತ ಭಾಷಾ ಹಂತಗಳುಇಂಗ್ಲಿಷ್, ಫ್ರೆಂಚ್, ಜರ್ಮನ್, ಸ್ಪ್ಯಾನಿಷ್ ಮತ್ತು ಜಪಾನೀಸ್‌ಗೆ 5% ಅಥವಾ ಕಡಿಮೆ; ಉರ್ದು, ಯೊರೂಬಾ ಮತ್ತು ಜುಲುಗೆ 20 ರಿಂದ 50%ElevenLabs (ಮಾರಾಟಗಾರ)

ಅದು ವಿಫಲವಾಗಲು ಕಾರಣಗಳು

  • ಗದ್ದಲ ಮತ್ತು ದೂರ. CHiME-6 ಸವಾಲಿನಲ್ಲಿ, ಕೋಣೆಯ ಆಚೆಗೆ ಮಾತನಾಡುವ ಜನರ ರೆಕಾರ್ಡಿಂಗ್‌ಗಳು ಬೇಸ್‌ಲೈನ್ ಸಿಸ್ಟಮ್‌ಗೆ ಸುಮಾರು 51% WER ಪಡೆದವು.
  • ಯಾರು ಮಾತನಾಡುತ್ತಿದ್ದಾರೆ. PNAS ನಲ್ಲಿನ 2020 ರ ಅಧ್ಯಯನ, ಐದು ವಾಣಿಜ್ಯ ಸಿಸ್ಟಮ್‌ಗಳು ಬಿಳಿಯ ಮಾತನಾಡುವವರಿಗೆ 19% ಹೋಲಿಸಿದರೆ ಕಪ್ಪು ಮಾತನಾಡುವವರಿಗೆ ಸರಾಸರಿ 35% WER ಪಡೆದವು ಎಂದು ಕಂಡುಕೊಂಡಿತು.
  • ಒಟ್ಟಿಗೆ ಮಾತನಾಡುವುದು ಮತ್ತು ಮಿಶ್ರ ಭಾಷೆಗಳು. ತನ್ನ ಸ್ವಂತ ಕ್ಯಾಪ್ಶನ್‌ಗಳು ವಿಫಲವಾಗಲು ಕಾರಣಗಳಲ್ಲಿ ಒಟ್ಟಿಗೆ ಮಾತನಾಡುವವರು, ಮಿಶ್ರ ಭಾಷೆಗಳು ಮತ್ತು ದೀರ್ಘ ಮೌನವನ್ನು YouTube ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ.
  • ಕಲ್ಪಿತ ಪಠ್ಯ. ಮಾದರಿಗಳು ಕೆಲವೊಮ್ಮೆ ಆಡಿಯೊಗೆ ಸಂಬಂಧವಿಲ್ಲದ ಪಠ್ಯವನ್ನು ಹೊರಹಾಕಬಹುದು ಎಂದು Whisper ಪೇಪರ್ ಹೇಳುತ್ತದೆ.

ಇನ್ನಷ್ಟು ಸ್ವಚ್ಛ ಕ್ಯಾಪ್ಶನ್‌ಗಳನ್ನು ಪಡೆಯುವುದು

  • ಮೈಕ್ರೋಫೋನ್‌ಗೆ ಹತ್ತಿರದಲ್ಲಿ, ಸಂಗೀತ ಮತ್ತು ಸಂಚಾರದ ಶಬ್ದದಿಂದ ದೂರದಲ್ಲಿ ರೆಕಾರ್ಡ್ ಮಾಡಿ.
  • ಚಿಕ್ಕ ಅಥವಾ ಮಿಶ್ರ ಕ್ಲಿಪ್‌ಗಳಲ್ಲಿ ಸ್ವಯಂ ಪತ್ತೆ ಮಾಡುವ ಬದಲು ಮಾತನಾಡುವ ಭಾಷೆಯನ್ನು ಆರಿಸಿ.
  • ಎಕ್ಸ್‌ಪೋರ್ಟ್ ಮಾಡುವ ಮೊದಲು ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಟ್ ಓದಿ. Captions Cut ನಲ್ಲಿ ಪ್ರತಿ ಪದವನ್ನೂ ಎಡಿಟ್ ಮಾಡಬಹುದು: ಪಠ್ಯ ಅಥವಾ ಅದರ ಸಮಯವನ್ನು ಸರಿಪಡಿಸಲು ಅದನ್ನು ಟ್ಯಾಪ್ ಮಾಡಿ.

ನಾವು ಹೇಗೆ ಪರಿಶೀಲಿಸಿದೆವು

ತಾವು ಆರಿಸಿದ ಬೆಂಚ್‌ಮಾರ್ಕ್‌ಗಳಲ್ಲಿ ಮಾರಾಟಗಾರರು ತಮ್ಮನ್ನು ತಾವೇ ಮೊದಲ ಸ್ಥಾನದಲ್ಲಿ ಇಡುತ್ತಾರೆ, ಆದ್ದರಿಂದ ಅವರ ಸಂಖ್ಯೆಗಳನ್ನು ಅವರದೆಂದು ಗುರುತಿಸಲಾಗಿದೆ ಮತ್ತು ಮಾರಾಟಗಾರರ ನಡುವೆ ಹೋಲಿಸಿಲ್ಲ. ಸ್ವತಂತ್ರ ಅಂಕಿ Artificial Analysis ನದು. 22 ಅಕ್ಟೋಬರ್ 2026 ರಂದು ಓದಲಾಗಿದೆ.

ಪ್ರಶ್ನೆಗಳು

ಸ್ವಯಂಚಾಲಿತ ಕ್ಯಾಪ್ಶನ್‌ಗಳು ಪರಿಶೀಲಿಸದೆ ಪೋಸ್ಟ್ ಮಾಡುವಷ್ಟು ನಿಖರವಾಗಿವೆಯೇ?

ಅಪರೂಪ. 2 ರಿಂದ 5% WER ಇದ್ದರೂ ಚಿಕ್ಕ ಕ್ಲಿಪ್‌ನಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಒಂದೆರಡು ತಪ್ಪುಗಳಿರುತ್ತವೆ, ಹೆಚ್ಚಾಗಿ ಹೆಸರುಗಳಲ್ಲಿ. ಮೊದಲು ಅವನ್ನು ಓದಿ.

ಯಾವ ಭಾಷೆಗಳು ಅತ್ಯುತ್ತಮವಾಗಿ ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಆಗುತ್ತವೆ?

ಹೆಚ್ಚಿನ ತರಬೇತಿ ಡೇಟಾ ಇರುವ, ವ್ಯಾಪಕವಾಗಿ ಮಾತನಾಡುವ ಭಾಷೆಗಳು (ಇಂಗ್ಲಿಷ್, ಸ್ಪ್ಯಾನಿಷ್, ಫ್ರೆಂಚ್, ಜರ್ಮನ್, ಜಪಾನೀಸ್ ಮತ್ತು ಇತರ) ಅತ್ಯುತ್ತಮ ಅಂಕ ಪಡೆಯುತ್ತವೆ. Captions Cut 53 ಭಾಷೆಗಳನ್ನು ಟ್ರಾನ್ಸ್‌ಕ್ರೈಬ್ ಮಾಡುತ್ತದೆ; ಕಡಿಮೆ ಸಂಪನ್ಮೂಲಗಳಿರುವ ಭಾಷೆಗಳಲ್ಲಿ ಹೆಚ್ಚು ತಿದ್ದುಪಡಿ ಬೇಕಾಗುತ್ತದೆ.

ಮೂಲಗಳು

ಪ್ರತಿ ಪುಟವನ್ನು ರಂದು ಓದಲಾಗಿದೆ.

ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ವೀಡಿಯೊಗೆ ಕ್ಯಾಪ್ಶನ್ ಹಾಕಿ iPhone ಆ್ಯಪ್ ಪಡೆಯಿರಿ