Captions Cut

คำบรรยายอัตโนมัติแม่นยำแค่ไหน

โดยผู้สร้าง Captions Cut ตรวจสอบข้อมูลเมื่อ จากหน้าที่ระบุไว้ใน แหล่งที่มา

คำตอบสั้น ๆ

กับเสียงพูดที่ชัดเจนในภาษาหลัก การรู้จำเสียงพูดที่ดีที่สุดในปัจจุบันถูกประมาณ 95 ถึง 98 คำจาก 100 คำ (อัตราข้อผิดพลาดของคำ 2 ถึง 5%) ซึ่งยังเหลือข้อผิดพลาดไม่กี่จุดในคลิป 45 วินาที มักเป็นชื่อเฉพาะ คำสแลง และตัวเลข ความแม่นยำลดลงมากเมื่อมีเสียงรบกวนพื้นหลัง ไมโครโฟนอยู่ไกล ผู้พูดพูดทับกัน สำเนียงเข้ม และภาษาที่มีข้อมูลน้อย จึงควรอ่านคำบรรยายทุกคำก่อนโพสต์

อัตราข้อผิดพลาดของคำ อธิบายแบบง่าย

อัตราข้อผิดพลาดของคำ (WER) นับคำที่ระบบทำผิด (แทนที่ ตกหล่น หรือเพิ่ม) ต่อคำพูดหนึ่งร้อยคำ WER 5% หมายถึงผิดประมาณหนึ่งครั้งทุกยี่สิบคำ คลิปสั้นมี 100 ถึง 150 คำ แม้ระบบที่ยอดเยี่ยมก็มักเหลือบางอย่างให้แก้

ระบบได้คะแนนเท่าไร

เกณฑ์มาตรฐานผลลัพธ์ผู้วัด
Artificial Analysis เสียงภาษาอังกฤษในโลกจริงประมาณ 8 ชั่วโมงElevenLabs Scribe v2: WER 2.2% อยู่อันดับประมาณที่สี่จากโมเดลที่ทดสอบเกณฑ์มาตรฐานอิสระ
ชุดข้อมูลของ AssemblyAI เองUniversal-3.5 Pro ของตน 4.35% GPT-4o Transcribe 5.34% Scribe v2 5.87% Deepgram Nova-3 6.66%AssemblyAI (ผู้ให้บริการ)
LibriSpeech test-clean (หนังสือเสียงที่อ่าน)Whisper large-v2: WER 2.7%บทความ Whisper ของ OpenAI
ระดับภาษาของ ElevenLabs เอง5% หรือต่ำกว่าสำหรับอังกฤษ ฝรั่งเศส เยอรมัน สเปน และญี่ปุ่น 20 ถึง 50% สำหรับอูรดู โยรูบา และซูลูElevenLabs (ผู้ให้บริการ)

อะไรทำให้ล้มเหลว

  • เสียงรบกวนและระยะห่าง ในการแข่งขัน CHiME-6 การบันทึกเสียงคนพูดคุยกันข้ามห้องได้ WER ประมาณ 51% สำหรับระบบพื้นฐาน
  • ใครเป็นผู้พูด งานศึกษาปี 2020 ใน PNAS พบว่าระบบเชิงพาณิชย์ห้าระบบมี WER เฉลี่ย 35% สำหรับผู้พูดผิวดำ เทียบกับ 19% สำหรับผู้พูดผิวขาว
  • การพูดทับกันและการผสมภาษา YouTube ระบุผู้พูดที่พูดทับกัน การผสมภาษา และช่วงเงียบยาวเป็นเหตุผลที่คำบรรยายของตนล้มเหลว
  • การแต่งเรื่องขึ้นเอง บทความ Whisper ระบุว่าโมเดลอาจแสดงข้อความที่ไม่เกี่ยวข้องกับเสียงเป็นครั้งคราว

ได้คำบรรยายที่สะอาดขึ้น

  • บันทึกใกล้ไมโครโฟน ห่างจากเสียงเพลงและการจราจร
  • เลือกภาษาที่พูดแทนการตรวจหาอัตโนมัติสำหรับคลิปสั้นหรือคลิปที่มีหลายภาษา
  • อ่านบทถอดเสียงก่อนส่งออก ใน Captions Cut ทุกคำแก้ไขได้ แตะคำเพื่อแก้ข้อความหรือเวลา

เราตรวจสอบอย่างไร

ผู้ให้บริการจัดอันดับตนเองเป็นที่หนึ่งในเกณฑ์มาตรฐานที่ตนเลือก ตัวเลขของพวกเขาจึงระบุว่าเป็นของพวกเขาและไม่นำมาเทียบข้ามผู้ให้บริการ ตัวเลขอิสระคือของ Artificial Analysis อ่านเมื่อ 22 ตุลาคม 2026

คำถามที่พบบ่อย

คำบรรยายอัตโนมัติแม่นยำพอที่จะโพสต์โดยไม่ต้องตรวจไหม

แทบไม่ แม้ที่ WER 2 ถึง 5% คลิปสั้นก็มักมีข้อผิดพลาดหนึ่งหรือสองจุด มักเป็นชื่อเฉพาะ ควรอ่านก่อนเสมอ

ภาษาไหนถอดเสียงได้ดีที่สุด

ภาษาที่มีผู้พูดมากและมีข้อมูลฝึกมาก (อังกฤษ สเปน ฝรั่งเศส เยอรมัน ญี่ปุ่น และอื่น ๆ) ได้คะแนนดีที่สุด Captions Cut ถอดเสียงได้ 53 ภาษา ภาษาที่มีข้อมูลน้อยต้องแก้มากกว่า

แหล่งที่มา

อ่านแต่ละหน้าเมื่อ

ใส่คำบรรยายให้วิดีโอในเบราว์เซอร์ของคุณ รับแอปบน iPhone