Aké presné sú automatické titulky?
Od osoby, ktorá vytvára Captions Cut. Údaje skontrolované na stránkach uvedených v časti Zdroje.
Stručná odpoveď
Pri zreteľnej reči vo veľkom jazyku dnešné najlepšie rozpoznávanie reči trafí asi 95 až 98 slov zo 100 (chybovosť slov 2 až 5 %). V 45-sekundovom klipe to stále zanechá pár chýb, zvyčajne v menách, slangu a číslach. Presnosť prudko klesá pri hluku na pozadí, vzdialených mikrofónoch, prekrývajúcich sa rečníkoch, silných akcentoch a menej zdokumentovaných jazykoch, preto si pred zverejnením prečítajte každý titulok.
Chybovosť slov jednoducho
Chybovosť slov (WER) počíta slová, ktoré systém zle rozpozná (nahradené, vynechané alebo pridané) na sto vyslovených. WER 5 % znamená asi jednu chybu na dvadsať slov. Krátky klip má 100 až 150 slov, takže aj výborný systém zvyčajne nechá niečo na opravu.
Aké skóre systémy dosahujú
| Benchmark | Výsledok | Kto meral |
|---|---|---|
| Artificial Analysis, ~8 hodín reálneho anglického zvuku | ElevenLabs Scribe v2: WER 2,2 %, asi štvrtý z testovaných modelov | Nezávislý benchmark |
| Vlastné datasety AssemblyAI | Jeho Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 % | AssemblyAI (dodávateľ) |
| LibriSpeech test-clean (čítané audioknihy) | Whisper large-v2: WER 2,7 % | Článok o OpenAI Whisper |
| Vlastné jazykové úrovne ElevenLabs | 5 % alebo menej pre angličtinu, francúzštinu, nemčinu, španielčinu a japončinu; 20 až 50 % pre urdčinu, jorubčinu a zuluštinu | ElevenLabs (dodávateľ) |
Čo spôsobuje zlyhanie
- Hluk a vzdialenosť. V súťaži CHiME-6 dosiahli nahrávky ľudí rozprávajúcich sa cez miestnosť približne 51 % WER pre základný systém.
- Kto hovorí. Štúdia PNAS z roku 2020 zistila, že päť komerčných systémov dosiahlo priemerne 35 % WER pre čiernych hovoriacich oproti 19 % pre bielych.
- Prekrývanie a zmiešané jazyky. YouTube medzi dôvodmi zlyhania vlastných titulkov uvádza prekrývajúcich sa rečníkov, zmiešané jazyky a dlhé ticho.
- Vymyslené texty. Článok o Whisper uvádza, že modely môžu občas vypísať text, ktorý so zvukom nesúvisí.
Čistejšie titulky
- Nahrávajte blízko mikrofónu, ďalej od hudby a dopravy.
- Pri krátkych alebo zmiešaných klipoch vyberte hovorený jazyk namiesto automatického rozpoznania.
- Prepis si pred exportom prečítajte. V Captions Cut je každé slovo upraviteľné: klepnite naň a opravte text alebo jeho načasovanie.
Ako sme to overovali
Dodávatelia sa sami radia na prvé miesto v benchmarkoch, ktoré si vyberú, preto sú ich čísla označené ako ich vlastné a nie sú porovnávané medzi dodávateľmi. Nezávislý údaj je od Artificial Analysis. Prečítané 22. októbra 2026.
Otázky
Sú automatické titulky dosť presné na zverejnenie bez kontroly?
Zriedka. Aj pri WER 2 až 5 % má krátky klip zvyčajne jednu či dve chyby, často v mene. Najprv si ich prečítajte.
Ktoré jazyky sa prepisujú najlepšie?
Najlepšie dopadajú široko používané jazyky s množstvom trénovacích dát (angličtina, španielčina, francúzština, nemčina, japončina a ďalšie). Captions Cut prepisuje 53 jazykov; menej zdokumentované vyžadujú viac opráv.
Zdroje
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: benchmarky
- Radford et al. (2022), Whisper
- ElevenLabs: reč na text
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: automatické titulky
Každá stránka prečítaná .
Pridajte titulky k videu v prehliadači Získať aplikáciu pre iPhone