Наскільки точні автоматичні субтитри?

Від людини, яка створює Captions Cut. Факти перевірено 22 жовтня 2026 року за сторінками, переліченими в розділі «Джерела».

Коротка відповідь

На чіткому мовленні провідною мовою найкраще сучасне розпізнавання мовлення розпізнає правильно близько 95–98 слів зі 100 (частота помилок у словах 2–5%). Це все одно залишає кілька помилок у кліпі на 45 секунд, зазвичай в іменах, сленгу й числах. Точність різко падає через фоновий шум, віддалені мікрофони, накладене мовлення кількох людей, сильні акценти та менш поширені мови, тож читайте кожен субтитр перед публікацією.

Частота помилок у словах простими словами

Частота помилок у словах (WER) рахує слова, які система розпізнала неправильно (замінила, пропустила чи додала), на сто вимовлених. WER 5% означає приблизно одну помилку на двадцять слів. Короткий кліп містить від 100 до 150 слів, тож навіть чудова система зазвичай залишає щось для виправлення.

Які результати показують системи

Тест	Результат	Хто вимірював
Artificial Analysis, близько 8 годин реального англійського аудіо	ElevenLabs Scribe v2: WER 2,2%, четверта серед протестованих моделей	Незалежний тест
Власні набори даних AssemblyAI	Її Universal-3.5 Pro 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66%	AssemblyAI (постачальник)
LibriSpeech test-clean (прочитані аудіокниги)	Whisper large-v2: WER 2,7%	Стаття OpenAI про Whisper
Власні мовні рівні ElevenLabs	5% або менше для англійської, французької, німецької, іспанської та японської; від 20 до 50% для урду, йоруба й зулу	ElevenLabs (постачальник)

Через що розпізнавання дає збій

Шум і відстань. У змаганні CHiME-6 записи розмов людей через кімнату показали WER близько 51% для базової системи.
Хто говорить. Дослідження PNAS 2020 року виявило, що п’ять комерційних систем у середньому мали WER 35% для чорношкірих мовців проти 19% для білошкірих.
Накладення та змішані мови. YouTube називає накладене мовлення кількох людей, змішані мови й довгі паузи серед причин збоїв власних субтитрів.
Вигадки. У статті про Whisper зазначено, що моделі іноді можуть видавати текст, не пов’язаний зі звуком.

Чистіші субтитри

Записуйте близько до мікрофона, подалі від музики й транспорту.
Вибирайте мову мовлення, а не автовизначення, на коротких кліпах або кліпах кількома мовами.
Прочитайте розшифровку перед експортом. У Captions Cut кожне слово можна редагувати: торкніться його, щоб виправити текст або таймінг.

Як ми перевіряли

Постачальники ставлять себе на перше місце в тестах, які вибирають самі, тому їхні числа позначено як їхні й не порівнюється між постачальниками. Незалежна цифра — від Artificial Analysis. Прочитано 22 жовтня 2026 року.

Запитання

Чи достатньо точні автосубтитри, щоб публікувати без перевірки?

Рідко. Навіть за WER 2–5% у коротком кліпі зазвичай є одна-дві помилки, часто в імені. Спершу прочитайте їх.

Які мови розпізнаються найкраще?

Найкращі результати у поширених мов із великими даними для навчання (англійська, іспанська, французька, німецька, японська та інші). Captions Cut розшифровує 53; менш поширені потребують більше виправлень.

Джерела

Кожну сторінку прочитано 22 жовтня 2026 року.

Субтитри до відео у браузері Отримати застосунок для iPhone