Captions Cut

ऑटोमॅटिक कॅप्शन किती अचूक असतात?

Captions Cut च्या निर्मात्याकडून. स्रोत खाली दिलेल्या पेजेसवरून रोजी तथ्ये तपासली.

थोडक्यात उत्तर

मोठ्या भाषेतील स्पष्ट बोलण्यावर, आजची सर्वोत्तम स्पीच रेकग्निशन 100 पैकी सुमारे 95 ते 98 शब्द बरोबर मिळवते (2 ते 5% वर्ड एरर रेट). तरीही 45 सेकंदांच्या क्लिपमध्ये काही चुका राहतात, सहसा नावे, बोलीभाषा आणि आकड्यांत. पार्श्वभूमीचा आवाज, दूरचे मायक्रोफोन, एकमेकांवर बोलणारे लोक, तीव्र उच्चार आणि कमी संसाधनांच्या भाषांमध्ये अचूकता झपाट्याने घटते, म्हणून पोस्ट करण्यापूर्वी प्रत्येक कॅप्शन वाचा.

वर्ड एरर रेट, साध्या शब्दांत

वर्ड एरर रेट (WER) प्रत्येक शंभर बोललेल्या शब्दांमागे सिस्टीम किती शब्द चुकीचे (बदललेले, सुटलेले किंवा जास्तीचे) मिळवते ते मोजतो. 5% WER म्हणजे साधारण प्रत्येक वीस शब्दांत एक चूक. लहान क्लिपमध्ये 100 ते 150 शब्द असतात, त्यामुळे उत्कृष्ट सिस्टीममध्येही सहसा काही दुरुस्त करायला उरते.

सिस्टीमचे गुण

बेंचमार्कनिकालकोणी मोजले
Artificial Analysis, सुमारे 8 तासांचा खऱ्या जगातील इंग्रजी ऑडिओElevenLabs Scribe v2: 2.2% WER, तपासलेल्या मॉडेलमध्ये सुमारे चौथेस्वतंत्र बेंचमार्क
AssemblyAI चे स्वतःचे डेटासेटत्याचे Universal-3.5 Pro 4.35%; GPT-4o Transcribe 5.34%; Scribe v2 5.87%; Deepgram Nova-3 6.66%AssemblyAI (एक विक्रेता)
LibriSpeech test-clean (वाचलेली ऑडिओबुक)Whisper large-v2: 2.7% WEROpenAI चा Whisper शोधनिबंध
ElevenLabs चे स्वतःचे भाषा स्तरइंग्रजी, फ्रेंच, जर्मन, स्पॅनिश आणि जपानीसाठी 5% किंवा कमी; Urdu, Yoruba आणि Zulu साठी 20 ते 50%ElevenLabs (एक विक्रेता)

अपयश कशामुळे येते

  • आवाज आणि अंतर. CHiME-6 आव्हानात, खोलीच्या पलीकडून बोलणाऱ्या लोकांच्या रेकॉर्डिंगना बेसलाइन सिस्टीमसाठी सुमारे 51% WER मिळाला.
  • कोण बोलत आहे. PNAS मधील 2020 च्या अभ्यासात पाच व्यावसायिक सिस्टीमचा सरासरी WER कृष्णवर्णीय वक्त्यांसाठी 35% आणि श्वेतवर्णीय वक्त्यांसाठी 19% आढळला.
  • एकमेकांवर बोलणे आणि मिश्र भाषा. YouTube त्याच्या स्वतःच्या कॅप्शन अयशस्वी होण्याच्या कारणांमध्ये एकमेकांवर बोलणारे लोक, मिश्र भाषा आणि लांब शांतता यांची यादी देतो.
  • कल्पित मजकूर. Whisper शोधनिबंधात नोंद आहे की मॉडेल कधीकधी ऑडिओशी असंबंधित टेक्स्ट देऊ शकतात.

अधिक स्वच्छ कॅप्शन मिळवणे

  • मायक्रोफोनच्या जवळ, संगीत आणि रहदारीपासून दूर रेकॉर्ड करा.
  • लहान किंवा मिश्र भाषेच्या क्लिपवर भाषा ऑटो-डिटेक्ट करण्याऐवजी बोलली जाणारी भाषा स्वतः निवडा.
  • एक्सपोर्ट करण्यापूर्वी ट्रान्सक्रिप्ट वाचा. Captions Cut मध्ये प्रत्येक शब्द एडिट करता येतो: मजकूर किंवा त्याची वेळ दुरुस्त करण्यासाठी त्यावर टॅप करा.

आम्ही कसे तपासले

विक्रेते स्वतःच निवडलेल्या बेंचमार्कवर स्वतःला पहिले ठेवतात, म्हणून त्यांचे आकडे त्यांचे म्हणून लेबल केले आहेत आणि विक्रेत्यांमध्ये तुलना केलेली नाही. स्वतंत्र आकडा Artificial Analysis चा आहे. 22 ऑक्टोबर 2026 रोजी वाचले.

प्रश्न

ऑटोमॅटिक कॅप्शन तपासल्याशिवाय पोस्ट करण्याइतके अचूक आहेत का?

क्वचितच. 2 ते 5% WER असतानाही लहान क्लिपमध्ये सहसा एखादी-दोन चूक असते, अनेकदा नावात. आधी ते वाचा.

कोणत्या भाषा सर्वोत्तम ट्रान्सक्राइब होतात?

भरपूर प्रशिक्षण डेटा असलेल्या मोठ्या प्रमाणात बोलल्या जाणाऱ्या भाषा (इंग्रजी, स्पॅनिश, फ्रेंच, जर्मन, जपानी आणि इतर) सर्वोत्तम गुण मिळवतात. Captions Cut 53 भाषा ट्रान्सक्राइब करते; कमी संसाधनांच्या भाषांमध्ये अधिक दुरुस्त्या कराव्या लागतात.

स्रोत

प्रत्येक पेज रोजी वाचले.

तुमच्या ब्राउझरमध्ये व्हिडिओला कॅप्शन द्या iPhone अ‍ॅप मिळवा