Hur exakta är automatiska undertexter?

Av skaparen av Captions Cut. Uppgifterna kontrollerades den 22 oktober 2026 mot sidorna som anges under Källor.

Det korta svaret

På tydligt tal på ett stort språk får dagens bästa taligenkänning cirka 95 till 98 ord av 100 rätt (en ordfelsfrekvens på 2 till 5 %). Det lämnar ändå några fel i ett klipp på 45 sekunder, oftast i namn, slang och siffror. Exaktheten sjunker kraftigt vid bakgrundsbrus, avlägsna mikrofoner, talare som pratar i mun på varandra, kraftiga accenter och språk med mindre resurser, så läs varje undertext innan du publicerar.

Ordfelsfrekvens, på vanlig svenska

Ordfelsfrekvens (WER) räknar de ord som ett system får fel (utbytta, utelämnade eller tillagda) per hundra talade. En WER på 5 % betyder ungefär ett fel var tjugonde ord. Ett kort klipp har 100 till 150 ord, så även ett utmärkt system lämnar oftast något att rätta.

Vilka resultat system får

Benchmark	Resultat	Vem som mätte
Artificial Analysis, cirka 8 timmar engelskt ljud från verkliga situationer	ElevenLabs Scribe v2: 2,2 % WER, ungefär fjärde bäst av de testade modellerna	Oberoende benchmark
AssemblyAIs egna datamängder	Dess Universal-3.5 Pro 4,35 %, GPT-4o Transcribe 5,34 %, Scribe v2 5,87 %, Deepgram Nova-3 6,66 %	AssemblyAI (en leverantör)
LibriSpeech test-clean (uppläst ljudböcker)	Whisper large-v2: 2,7 % WER	OpenAIs Whisper-artikel
ElevenLabs egna språknivåer	5 % eller lägre för engelska, franska, tyska, spanska och japanska, 20 till 50 % för urdu, yoruba och zulu	ElevenLabs (en leverantör)

Vad som får den att misslyckas

Brus och avstånd. I utmaningen CHiME-6 fick inspelningar av människor som pratade över ett rum omkring 51 % WER för referenssystemet.
Vem som talar. En studie i PNAS 2020 visade att fem kommersiella system hade i genomsnitt 35 % WER för svarta talare mot 19 % för vita talare.
Överlappning och blandade språk. YouTube anger talare som pratar i mun på varandra, blandade språk och lång tystnad bland orsakerna till att dess egna undertexter misslyckas.
Påhitt. I Whisper-artikeln noteras att modeller ibland kan ge text som inte har med ljudet att göra.

Så får du renare undertexter

Spela in nära mikrofonen, borta från musik och trafik.
Välj det talade språket i stället för att låta det identifieras automatiskt på korta klipp eller klipp med blandade språk.
Läs igenom transkriptionen innan du exporterar. I Captions Cut går varje ord att redigera: tryck på det för att rätta texten eller dess timing.

Så kontrollerade vi

Leverantörer rankar sig själva först i benchmarkar de väljer själva, så deras siffror anges som deras egna och jämförs inte mellan leverantörer. Den oberoende siffran är Artificial Analysis. Avläst den 22 oktober 2026.

Frågor

Är automatiska undertexter tillräckligt exakta för att publiceras utan kontroll?

Sällan. Även vid 2 till 5 % WER har ett kort klipp oftast ett eller två fel, ofta i ett namn. Läs igenom dem först.

Vilka språk transkriberas bäst?

Språk med många talare och mycket träningsdata (engelska, spanska, franska, tyska, japanska med flera) får bäst resultat. Captions Cut transkriberar 53, och språk med mindre resurser kräver mer rättning.

Källor

Varje sida lästes den 22 oktober 2026.

Texta en video i webbläsaren Hämta iPhone-appen