Kako natančni so samodejni podnapisi?
Piše oseba, ki ustvarja Captions Cut. Dejstva so preverjena na straneh, navedenih v razdelku Viri.
Kratek odgovor
Pri jasnem govoru v večjem jeziku najboljše današnje razpoznavanje govora pravilno prepozna približno 95 do 98 besed od 100 (stopnja napake pri besedah od 2 do 5 %). V 45-sekundnem posnetku to še vedno pomeni nekaj napak, običajno pri imenih, slengu in številkah. Natančnost močno pade pri hrupu v ozadju, oddaljenih mikrofonih, prekrivajočih se govorcih, močnih naglasih in jezikih z manj viri, zato vsak podnapis preberite, preden objavite.
Stopnja napake pri besedah, preprosto povedano
Stopnja napake pri besedah (WER) šteje besede, ki jih sistem zgreši (zamenjane, izpuščene ali dodane) na sto izgovorjenih. 5 % WER pomeni približno eno napako na dvajset besed. Kratek posnetek ima 100 do 150 besed, zato tudi odličen sistem običajno pusti kaj za popraviti.
Kakšen rezultat dosegajo sistemi
| Primerjalni test | Rezultat | Kdo je meril |
|---|---|---|
| Artificial Analysis, ~8 ur resničnega angleškega zvoka | ElevenLabs Scribe v2: 2,2 % WER, približno četrti med preizkušenimi modeli | Neodvisen primerjalni test |
| AssemblyAI-jevi lastni podatkovni nabori | Njegov Universal-3.5 Pro 4,35 %; GPT-4o Transcribe 5,34 %; Scribe v2 5,87 %; Deepgram Nova-3 6,66 % | AssemblyAI (ponudnik) |
| LibriSpeech test-clean (brane zvočne knjige) | Whisper large-v2: 2,7 % WER | Članek OpenAI o Whisper |
| ElevenLabsove lastne jezikovne ravni | 5 % ali manj za angleščino, francoščino, nemščino, španščino in japonščino; od 20 do 50 % za urdujščino, jorubščino in zulujščino | ElevenLabs (ponudnik) |
Zakaj odpove
- Hrup in razdalja. V izzivu CHiME-6 so posnetki ljudi, ki govorijo čez sobo, dosegli okoli 51 % WER za osnovni sistem.
- Kdo govori. Študija iz leta 2020 v reviji PNAS je ugotovila, da je pet komercialnih sistemov v povprečju doseglo 35 % WER pri temnopoltih govorcih proti 19 % pri belopoltih.
- Prekrivanje in mešani jeziki. YouTube med razlogi, zakaj njegovi podnapisi odpovedo, navaja prekrivajoče se govorce, mešane jezike in dolge tišine.
- Izmišljotine. Članek o Whisper navaja, da modeli občasno izpišejo besedilo, ki z zvokom nima zveze.
Čistejši podnapisi
- Snemajte blizu mikrofona, stran od glasbe in prometa.
- Pri kratkih ali mešanih posnetkih izberite govorjeni jezik, namesto da ga zaznava samodejno.
- Pred izvozom preberite prepis. V Captions Cut je vsaka beseda urejljiva: tapnite jo, da popravite besedilo ali časovni zamik.
Kako smo preverili
Ponudniki se uvrstijo na prvo mesto v primerjalnih testih, ki si jih izberejo sami, zato so njihove številke označene kot njihove in niso primerjane med ponudniki. Neodvisna številka je od Artificial Analysis. Prebrano 22. oktobra 2026.
Vprašanja
Ali so samodejni podnapisi dovolj natančni za objavo brez preverjanja?
Redko. Tudi pri 2 do 5 % WER ima kratek posnetek običajno kakšno napako ali dve, pogosto v imenu. Najprej jih preberite.
Kateri jeziki se prepišejo najbolje?
Najbolje se odrežejo splošno razširjeni jeziki z veliko učnimi podatki (angleščina, španščina, francoščina, nemščina, japonščina in drugi). Captions Cut jih prepiše 53; jeziki z manj viri zahtevajo več popravljanja.
Viri
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: primerjalni testi
- Radford et al. (2022), Whisper
- ElevenLabs: govor v besedilo
- Watanabe et al. (2020), CHiME-6
- Koenecke et al. (2020), PNAS
- YouTube: samodejni podnapisi
Vsaka stran prebrana .
Dodajte podnapise videu v brskalniku Prenesite aplikacijo za iPhone