Qual a precisão das legendas automáticas?
Por quem criou o Captions Cut. Dados conferidos em nas páginas listadas em Fontes.
A resposta curta
Em fala clara em um idioma principal, o melhor reconhecimento de fala de hoje acerta cerca de 95 a 98 palavras em 100 (uma taxa de erro de palavras de 2 a 5%). Isso ainda deixa alguns erros em um clipe de 45 segundos, geralmente em nomes, gírias e números. A precisão cai bastante com ruído de fundo, microfones distantes, pessoas falando ao mesmo tempo, sotaques fortes e idiomas com menos recursos, então leia cada legenda antes de publicar.
Taxa de erro de palavras, em palavras simples
A taxa de erro de palavras (WER) conta as palavras que um sistema erra (trocadas, omitidas ou acrescentadas) a cada cem faladas. Uma WER de 5% significa cerca de um erro a cada vinte palavras. Um clipe curto tem de 100 a 150 palavras, então até um sistema excelente costuma deixar algo para corrigir.
O que os sistemas alcançam
| Benchmark | Resultado | Quem mediu |
|---|---|---|
| Artificial Analysis, cerca de 8 horas de áudio real em inglês | ElevenLabs Scribe v2: WER de 2,2%, em torno do quarto lugar entre os modelos testados | Benchmark independente |
| Conjuntos de dados da própria AssemblyAI | Universal-3.5 Pro dela, 4,35%; GPT-4o Transcribe, 5,34%; Scribe v2, 5,87%; Deepgram Nova-3, 6,66% | AssemblyAI (uma fornecedora) |
| LibriSpeech test-clean (audiolivros lidos) | Whisper large-v2: WER de 2,7% | Artigo do Whisper, da OpenAI |
| Níveis de idioma da própria ElevenLabs | 5% ou menos para inglês, francês, alemão, espanhol e japonês; de 20 a 50% para urdu, iorubá e zulu | ElevenLabs (uma fornecedora) |
O que faz falhar
- Ruído e distância. No desafio CHiME-6, gravações de pessoas conversando de um lado a outro de uma sala tiveram cerca de 51% de WER no sistema de referência.
- Quem está falando. Um estudo de 2020 na PNAS constatou que cinco sistemas comerciais tiveram em média 35% de WER para falantes negros contra 19% para falantes brancos.
- Sobreposição e idiomas misturados. O YouTube lista falas sobrepostas, idiomas misturados e silêncios longos entre os motivos pelos quais as próprias legendas dele falham.
- Invenções. O artigo do Whisper observa que os modelos podem, ocasionalmente, gerar texto sem relação com o áudio.
Como ter legendas mais limpas
- Grave perto do microfone, longe de música e de trânsito.
- Escolha o idioma falado em vez de usar a detecção automática em clipes curtos ou com mais de um idioma.
- Leia a transcrição antes de exportar. No Captions Cut, cada palavra é editável: toque nela para corrigir o texto ou o tempo.
Como conferimos
Os fornecedores se colocam em primeiro lugar nos benchmarks que escolhem, então os números deles são identificados como deles e não são comparados entre fornecedores. O número independente é o da Artificial Analysis. Consultado em 22 de outubro de 2026.
Perguntas
As legendas automáticas são precisas o bastante para publicar sem conferir?
Raramente. Mesmo com 2 a 5% de WER, um clipe curto costuma ter um ou dois erros, muitas vezes em um nome. Leia antes.
Quais idiomas são transcritos melhor?
Idiomas muito falados e com muitos dados de treinamento (inglês, espanhol, francês, alemão, japonês e outros) têm os melhores resultados. O Captions Cut transcreve 53; os com menos recursos exigem mais correção.
Fontes
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: benchmarks
- Radford et al. (2022), Whisper
- ElevenLabs: fala para texto
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: legendas automáticas
Cada página consultada em .