Насколько точны автоматические субтитры?
Пишет человек, который делает Captions Cut. Факты проверены по страницам из раздела «Источники».
Коротко
На чёткой речи на крупном языке лучшие сегодня системы распознавания речи правильно распознают около 95–98 слов из 100 (доля ошибочных слов 2–5%). В клипе на 45 секунд это всё равно несколько ошибок, обычно в именах, сленге и числах. Точность резко падает из-за фонового шума, удалённых микрофонов, перекрывающихся голосов, сильных акцентов и менее распространённых языков, поэтому читайте каждый субтитр перед публикацией.
Доля ошибочных слов простыми словами
Доля ошибочных слов (WER) показывает, сколько слов система распознаёт неверно (заменяет, пропускает или добавляет) на сто произнесённых. WER 5% — это примерно одна ошибка на двадцать слов. В коротком клипе 100–150 слов, поэтому даже отличная система обычно оставляет что-то для правки.
Какие результаты показывают системы
| Тест | Результат | Кто измерял |
|---|---|---|
| Artificial Analysis, около 8 часов реального английского аудио | ElevenLabs Scribe v2: WER 2,2%, примерно четвёртое место среди проверенных моделей | Независимый тест |
| Собственные наборы данных AssemblyAI | Их Universal-3.5 Pro — 4,35%; GPT-4o Transcribe — 5,34%; Scribe v2 — 5,87%; Deepgram Nova-3 — 6,66% | AssemblyAI (поставщик) |
| LibriSpeech test-clean (читаемые аудиокниги) | Whisper large-v2: WER 2,7% | Статья OpenAI о Whisper |
| Собственные уровни языков ElevenLabs | 5% или меньше для английского, французского, немецкого, испанского и японского; 20–50% для урду, йоруба и зулу | ElevenLabs (поставщик) |
Из-за чего возникают ошибки
- Шум и расстояние. В конкурсе CHiME-6 записи разговора людей через всю комнату показали у базовой системы WER около 51%.
- Кто говорит. Исследование PNAS 2020 года показало, что у пяти коммерческих систем средний WER составил 35% для чернокожих говорящих против 19% для белых.
- Перекрытие и смешение языков. YouTube называет перекрывающиеся голоса, смешение языков и долгие паузы среди причин, по которым его собственные субтитры не получаются.
- Выдумки. В статье о Whisper отмечено, что модели иногда выдают текст, не связанный со звуком.
Как получить более чистые субтитры
- Записывайте рядом с микрофоном, вдали от музыки и транспорта.
- На коротких клипах и клипах на нескольких языках выбирайте язык речи сами, а не полагайтесь на автоопределение.
- Прочитайте расшифровку перед экспортом. В Captions Cut каждое слово можно отредактировать: коснитесь его, чтобы исправить текст или тайминг.
Как мы проверяли
Поставщики ставят себя на первое место в тестах, которые выбирают сами, поэтому их цифры подписаны как их собственные и не сравниваются между поставщиками. Независимая цифра — от Artificial Analysis. Прочитано 22 октября 2026 года.
Вопросы
Достаточно ли точны автоматические субтитры, чтобы публиковать их без проверки?
Редко. Даже при WER 2–5% в коротком клипе обычно есть одна-две ошибки, часто в имени. Сначала прочитайте их.
Какие языки расшифровываются лучше всего?
Лучше всего — широко распространённые языки с большим объёмом обучающих данных (английский, испанский, французский, немецкий, японский и другие). Captions Cut расшифровывает 53 языка; менее распространённые требуют больше правки.
Источники
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: тесты
- Radford et al. (2022), Whisper
- ElevenLabs: преобразование речи в текст
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: автоматические субтитры
Каждая страница прочитана .
Создайте субтитры к видео в браузере Скачать приложение для iPhone