Cât de precise sunt subtitrările automate?
De către cine a creat Captions Cut. Faptele au fost verificate la pe paginile listate la Surse.
Pe scurt
Pe vorbire clară într-o limbă majoră, cea mai bună recunoaștere vocală de azi recunoaște corect aproximativ 95 până la 98 de cuvinte din 100 (o rată de eroare pe cuvânt de 2 până la 5%). Asta lasă totuși câteva greșeli într-un clip de 45 de secunde, de obicei la nume, argou și numere. Precizia scade brusc cu zgomotul de fundal, microfoanele îndepărtate, vorbitorii care se suprapun, accentele puternice și limbile cu mai puține resurse, așa că citește fiecare subtitrare înainte de postare.
Rata de eroare pe cuvânt, în cuvinte simple
Rata de eroare pe cuvânt (WER) numără cuvintele pe care un sistem le greșește (înlocuite, omise sau adăugate) la o sută rostite. Un WER de 5% înseamnă aproximativ o greșeală la fiecare douăzeci de cuvinte. Un clip scurt are 100 până la 150 de cuvinte, așa că și un sistem excelent lasă de obicei ceva de corectat.
Ce scoruri obțin sistemele
| Benchmark | Rezultat | Cine a măsurat |
|---|---|---|
| Artificial Analysis, ~8 ore de audio real în engleză | ElevenLabs Scribe v2: WER 2,2%, aproximativ al patrulea dintre modelele testate | Benchmark independent |
| Seturile de date proprii AssemblyAI | Universal-3.5 Pro al său 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66% | AssemblyAI (furnizor) |
| LibriSpeech test-clean (cărți audio citite) | Whisper large-v2: WER 2,7% | Lucrarea OpenAI despre Whisper |
| Nivelurile ElevenLabs pe limbi | 5% sau mai puțin pentru engleză, franceză, germană, spaniolă și japoneză; 20 până la 50% pentru urdu, yoruba și zulu | ElevenLabs (furnizor) |
Ce o face să eșueze
- Zgomotul și distanța. În competiția CHiME-6, înregistrările cu oameni care vorbesc dintr-un capăt în altul al unei camere au obținut în jur de 51% WER pentru sistemul de referință.
- Cine vorbește. Un studiu din 2020 din PNAS a constatat că cinci sisteme comerciale au avut în medie 35% WER pentru vorbitorii negri, față de 19% pentru vorbitorii albi.
- Suprapunerea și limbile amestecate. YouTube listează vorbitorii care se suprapun, limbile amestecate și tăcerile lungi printre motivele pentru care propriile sale subtitrări eșuează.
- Invenții. Lucrarea despre Whisper notează că modelele pot produce ocazional text fără legătură cu sunetul.
Subtitrări mai curate
- Înregistrează aproape de microfon, departe de muzică și de trafic.
- Alege limba vorbită în loc să o detectezi automat pe clipuri scurte sau cu mai multe limbi.
- Citește transcrierea înainte de export. În Captions Cut fiecare cuvânt este editabil: atinge-l ca să-i corectezi textul sau sincronizarea.
Cum am verificat
Furnizorii se clasează pe primul loc la benchmark-urile alese de ei, așa că cifrele lor sunt etichetate ca ale lor și nu sunt comparate între furnizori. Cifra independentă este cea de la Artificial Analysis. Citit la 22 octombrie 2026.
Întrebări
Sunt subtitrările automate suficient de precise ca să le postezi fără verificare?
Rareori. Chiar și cu un WER de 2 până la 5%, un clip scurt are de obicei o greșeală sau două, adesea într-un nume. Citește-le mai întâi.
Ce limbi sunt transcrise cel mai bine?
Limbile larg vorbite, cu multe date de antrenare (engleză, spaniolă, franceză, germană, japoneză și altele), obțin cele mai bune scoruri. Captions Cut transcrie 53; cele cu mai puține resurse necesită mai multe corecturi.
Surse
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: benchmark-uri
- Radford et al. (2022), Whisper
- ElevenLabs: speech to text
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: subtitrări automate
Fiecare pagină a fost citită la .
Subtitrează un videoclip în browser Descarcă aplicația pentru iPhone