Quão precisas são as legendas automáticas?
Por quem criou o Captions Cut. Factos verificados a nas páginas listadas em Fontes.
A resposta curta
Em fala clara numa língua principal, o melhor reconhecimento de fala atual acerta em cerca de 95 a 98 palavras em cada 100 (uma taxa de erro de palavras de 2 a 5%). Isso ainda deixa alguns erros num clip de 45 segundos, normalmente em nomes, gíria e números. A precisão cai bastante com ruído de fundo, microfones distantes, vozes sobrepostas, sotaques fortes e línguas com menos recursos, por isso 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 (substituídas, omitidas ou acrescentadas) por cada cem ditas. Uma WER de 5% significa cerca de um erro a cada vinte palavras. Um clip curto tem 100 a 150 palavras, por isso mesmo um sistema excelente costuma deixar algo para corrigir.
Que pontuações têm os sistemas
| Teste de referência | Resultado | Quem mediu |
|---|---|---|
| Artificial Analysis, ~8 horas de áudio real em inglês | ElevenLabs Scribe v2: 2,2% de WER, cerca de quarto dos modelos testados | Teste de referência independente |
| Conjuntos de dados da própria AssemblyAI | O seu Universal-3.5 Pro 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66% | AssemblyAI (um fornecedor) |
| LibriSpeech test-clean (audiolivros lidos) | Whisper large-v2: 2,7% de WER | O artigo do Whisper da OpenAI |
| Os níveis de idiomas da própria ElevenLabs | 5% ou menos para inglês, francês, alemão, espanhol e japonês; 20 a 50% para urdu, ioruba e zulu | ElevenLabs (um fornecedor) |
O que o faz falhar
- Ruído e distância. No desafio CHiME-6, gravações de pessoas a falar do outro lado de uma sala tiveram cerca de 51% de WER no sistema de base.
- Quem fala. Um estudo de 2020 na PNAS concluiu 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 vozes sobrepostas, idiomas misturados e silêncios longos entre as razões pelas quais as suas próprias legendas falham.
- Invenções. O artigo do Whisper refere que os modelos podem, ocasionalmente, produzir texto sem relação com o áudio.
Obter legendas mais limpas
- Grave perto do microfone, longe de música e de trânsito.
- Escolha o idioma falado em vez de o detetar automaticamente em clips curtos ou com vários idiomas.
- Leia a transcrição antes de exportar. No Captions Cut, cada palavra é editável: toque nela para corrigir o texto ou a sincronização.
Como verificámos
Os fornecedores classificam-se em primeiro lugar nos testes que escolhem, por isso os seus números são identificados como seus e não são comparados entre fornecedores. O valor independente é o da Artificial Analysis. Lido a 22 de outubro de 2026.
Perguntas
As legendas automáticas são precisas o suficiente para publicar sem verificar?
Raramente. Mesmo com 2 a 5% de WER, um clip curto costuma ter um ou dois erros, muitas vezes num nome. Leia-as primeiro.
Que idiomas são transcritos melhor?
Os idiomas muito falados e com muitos dados de treino (inglês, espanhol, francês, alemão, japonês e outros) têm as melhores pontuações. O Captions Cut transcreve 53; os que têm menos recursos precisam de mais correções.
Fontes
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: testes de referência
- Radford et al. (2022), Whisper
- ElevenLabs: conversão de fala em texto
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: legendas automáticas
Cada página lida a .