Captions Cut

தானியங்கி கேப்ஷன்கள் எவ்வளவு துல்லியமானவை?

Captions Cut-ஐ உருவாக்கியவரால். தகவல்கள் ஆதாரங்கள் பகுதியில் பட்டியலிடப்பட்ட பக்கங்களிலிருந்து அன்று சரிபார்க்கப்பட்டவை.

சுருக்கமான பதில்

முக்கிய மொழியில் தெளிவான பேச்சில், இன்றைய சிறந்த பேச்சு அடையாளம் காணுதல் 100 சொற்களில் சுமார் 95 முதல் 98 வரை சரியாக அமைகிறது (சொல் பிழை விகிதம் 2 முதல் 5%). 45 விநாடி கிளிப்பில் அது இன்னும் சில பிழைகளை விட்டுவிடும், பெரும்பாலும் பெயர்கள், பேச்சுவழக்குச் சொற்கள், எண்களில். பின்னணி இரைச்சல், தொலைவில் உள்ள மைக்குகள், ஒன்றுக்கொன்று குறுக்கிடும் பேச்சாளர்கள், வலுவான உச்சரிப்புகள், குறைந்த வளம் கொண்ட மொழிகளில் துல்லியம் கடுமையாகக் குறையும்; எனவே பதிவிடும் முன் ஒவ்வொரு கேப்ஷனையும் படியுங்கள்.

சொல் பிழை விகிதம், எளிய சொற்களில்

சொல் பிழை விகிதம் (WER) என்பது நூறு பேசப்பட்ட சொற்களுக்கு ஒரு அமைப்பு தவறாகப் பெறும் (மாற்றப்பட்ட, விடுபட்ட அல்லது சேர்க்கப்பட்ட) சொற்களை எண்ணுகிறது. 5% WER என்றால் இருபது சொற்களுக்கு ஒரு பிழை. ஒரு குறுகிய கிளிப்பில் 100 முதல் 150 சொற்கள் இருக்கும், எனவே சிறந்த அமைப்பும் பொதுவாக ஏதாவது திருத்த விட்டுவிடும்.

அமைப்புகள் பெறும் மதிப்பெண்கள்

பெஞ்ச்மார்க்முடிவுயார் அளந்தது
Artificial Analysis, சுமார் 8 மணி நேர உண்மையான ஆங்கில ஆடியோElevenLabs Scribe v2: 2.2% WER, சோதிக்கப்பட்ட மாடல்களில் சுமார் நான்காவது இடம்சுயாதீன பெஞ்ச்மார்க்
AssemblyAI-இன் சொந்தத் தரவுத்தொகுப்புகள்அதன் Universal-3.5 Pro 4.35%; GPT-4o Transcribe 5.34%; Scribe v2 5.87%; Deepgram Nova-3 6.66%AssemblyAI (ஒரு விற்பனையாளர்)
LibriSpeech test-clean (வாசிக்கப்பட்ட ஆடியோ புத்தகங்கள்)Whisper large-v2: 2.7% WEROpenAI-இன் Whisper ஆய்வுக் கட்டுரை
ElevenLabs-இன் சொந்த மொழி நிலைகள்ஆங்கிலம், பிரெஞ்சு, ஜெர்மன், ஸ்பானிஷ், ஜப்பானியத்துக்கு 5% அல்லது குறைவு; உருது, யொருபா, ஜூலுவுக்கு 20 முதல் 50%ElevenLabs (ஒரு விற்பனையாளர்)

எது தோல்வியடையச் செய்கிறது

  • இரைச்சலும் தொலைவும். CHiME-6 போட்டியில், அறையின் ஒரு பக்கத்திலிருந்து மறுபக்கம் பேசுபவர்களின் பதிவுகள் அடிப்படை அமைப்புக்கு சுமார் 51% WER பெற்றன.
  • யார் பேசுகிறார்கள். PNAS-இல் 2020 ஆய்வு, ஐந்து வணிக அமைப்புகள் கறுப்பினப் பேச்சாளர்களுக்குச் சராசரியாக 35% WER, வெள்ளையினப் பேச்சாளர்களுக்கு 19% பெற்றதாகக் கண்டது.
  • குறுக்கீடும் கலந்த மொழிகளும். ஒன்றுக்கொன்று குறுக்கிடும் பேச்சாளர்கள், கலந்த மொழிகள், நீண்ட அமைதிகள் ஆகியவற்றைத் தனது சொந்த கேப்ஷன்கள் தோல்வியடைவதற்கான காரணங்களில் YouTube பட்டியலிடுகிறது.
  • கற்பனை உருவாக்கங்கள். ஆடியோவுக்குத் தொடர்பில்லாத உரையை மாடல்கள் எப்போதாவது வெளியிடலாம் என்று Whisper ஆய்வுக் கட்டுரை குறிப்பிடுகிறது.

இன்னும் தூய்மையான கேப்ஷன்களைப் பெறுவது

  • இசை மற்றும் போக்குவரத்திலிருந்து விலகி, மைக்குக்கு அருகில் பதிவு செய்யுங்கள்.
  • குறுகிய அல்லது பல மொழிகள் கலந்த கிளிப்களில் தானாகக் கண்டறிவதற்குப் பதிலாக பேசப்படும் மொழியைத் தேர்ந்தெடுங்கள்.
  • எக்ஸ்போர்ட் செய்யும் முன் டிரான்ஸ்கிரிப்டைப் படியுங்கள். Captions Cut-இல் ஒவ்வொரு சொல்லையும் திருத்தலாம்: உரையையோ நேரத்தையோ திருத்த அதைத் தட்டுங்கள்.

நாங்கள் எப்படிச் சரிபார்த்தோம்

விற்பனையாளர்கள் தாங்கள் தேர்ந்தெடுக்கும் பெஞ்ச்மார்க்குகளில் தங்களையே முதலிடத்தில் வைக்கிறார்கள், எனவே அவர்களின் எண்கள் அவர்களுடையவை எனக் குறிக்கப்பட்டு, விற்பனையாளர்களுக்கு இடையே ஒப்பிடப்படவில்லை. சுயாதீன எண் Artificial Analysis-உடையது. 22 அக்டோபர் 2026 அன்று படிக்கப்பட்டது.

கேள்விகள்

தானியங்கி கேப்ஷன்கள் சரிபார்க்காமல் பதிவிடும் அளவுக்குத் துல்லியமானவையா?

அரிதாகவே. 2 முதல் 5% WER-இல் கூட ஒரு குறுகிய கிளிப்பில் பொதுவாக ஒன்றிரண்டு பிழைகள் இருக்கும், பெரும்பாலும் ஒரு பெயரில். முதலில் படியுங்கள்.

எந்த மொழிகள் சிறப்பாக டிரான்ஸ்கிரைப் ஆகின்றன?

நிறையப் பயிற்சித் தரவு கொண்ட பரவலாகப் பேசப்படும் மொழிகள் (ஆங்கிலம், ஸ்பானிஷ், பிரெஞ்சு, ஜெர்மன், ஜப்பானியம் மற்றும் பிற) சிறந்த மதிப்பெண் பெறும். Captions Cut 53-ஐ டிரான்ஸ்கிரைப் செய்கிறது; குறைந்த வளம் கொண்டவற்றுக்கு அதிகத் திருத்தம் தேவை.

ஆதாரங்கள்

ஒவ்வொரு பக்கமும் அன்று படிக்கப்பட்டது.

உங்கள் உலாவியிலேயே வீடியோவுக்கு கேப்ஷன் சேருங்கள் iPhone ஆப்ஸைப் பெறுங்கள்