Captions Cut

Hvor nøyaktige er automatiske undertekster?

Av utvikleren av Captions Cut. Opplysningene er kontrollert fra sidene som er oppført under Kilder.

Det korte svaret

På tydelig tale på et stort språk får dagens beste talegjenkjenning omtrent 95 til 98 av 100 ord riktig (en ordfeilrate på 2 til 5 %). Det gir fortsatt noen feil i et klipp på 45 sekunder, vanligvis i navn, slang og tall. Nøyaktigheten faller kraftig med bakgrunnsstøy, fjerne mikrofoner, overlappende talere, sterke aksenter og språk med færre ressurser, så les hver undertekst før du poster.

Ordfeilrate, forklart enkelt

Ordfeilrate (WER) teller ordene et system får feil (byttet ut, utelatt eller lagt til) per hundre ord som sies. En WER på 5 % betyr omtrent én feil for hvert tjuende ord. Et kort klipp har 100 til 150 ord, så selv et utmerket system etterlater vanligvis noe som må rettes.

Hva systemene oppnår

MålingResultatHvem som målte
Artificial Analysis, ~8 timer med engelsk lyd fra den virkelige verdenElevenLabs Scribe v2: 2,2 % WER, omtrent fjerde best av modellene som ble testetUavhengig måling
AssemblyAIs egne datasettUniversal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 %AssemblyAI (en leverandør)
LibriSpeech test-clean (opplest lydbøker)Whisper large-v2: 2,7 % WEROpenAIs Whisper-artikkel
ElevenLabs' egne språknivåer5 % eller lavere for engelsk, fransk, tysk, spansk og japansk; 20 til 50 % for urdu, yoruba og zuluElevenLabs (en leverandør)

Hva som får den til å svikte

  • Støy og avstand. I CHiME-6-utfordringen fikk opptak av folk som snakket over et rom, rundt 51 % WER for basissystemet.
  • Hvem som snakker. En studie fra 2020 i PNAS fant at fem kommersielle systemer i gjennomsnitt hadde 35 % WER for svarte talere mot 19 % for hvite talere.
  • Overlapp og blandede språk. YouTube oppgir overlappende talere, blandede språk og lange pauser blant årsakene til at deres egne undertekster svikter.
  • Påfunn. Whisper-artikkelen bemerker at modeller av og til kan gi tekst som ikke har noe med lyden å gjøre.

Slik får du renere undertekster

  • Ta opp tett på mikrofonen, unna musikk og trafikk.
  • Velg talespråket i stedet for å la det oppdages automatisk på korte klipp eller klipp med blandede språk.
  • Les gjennom transkripsjonen før du eksporterer. I Captions Cut kan hvert ord redigeres: trykk på det for å rette teksten eller timingen.

Slik kontrollerte vi

Leverandører rangerer seg selv først på målinger de selv velger, så tallene deres er merket som deres egne og ikke sammenlignet på tvers av leverandører. Det uavhengige tallet er fra Artificial Analysis. Lest 22. oktober 2026.

Spørsmål

Er automatiske undertekster nøyaktige nok til å poste uten å sjekke dem?

Sjelden. Selv med 2 til 5 % WER har et kort klipp vanligvis en feil eller to, ofte i et navn. Les gjennom dem først.

Hvilke språk transkriberes best?

Utbredte språk med mye treningsdata (engelsk, spansk, fransk, tysk, japansk og andre) får best resultat. Captions Cut transkriberer 53; språk med færre ressurser trenger mer retting.

Kilder

Hver side ble lest .

Lag undertekster til en video i nettleseren Få iPhone-appen