Phụ đề tự động chính xác đến mức nào?
Bởi nhà phát triển Captions Cut. Dữ kiện được kiểm tra ngày từ các trang liệt kê ở mục Nguồn.
Trả lời ngắn gọn
Với giọng nói rõ ràng bằng một ngôn ngữ lớn, nhận dạng giọng nói tốt nhất hiện nay đạt khoảng 95 đến 98 từ đúng trên 100 (tỷ lệ lỗi từ từ 2 đến 5%). Điều đó vẫn để lại vài lỗi trong một clip 45 giây, thường ở tên riêng, tiếng lóng và con số. Độ chính xác giảm mạnh khi có tạp âm nền, micro ở xa, nhiều người nói chồng lên nhau, giọng vùng miền nặng và các ngôn ngữ ít tài nguyên, nên hãy đọc từng phụ đề trước khi đăng.
Tỷ lệ lỗi từ, nói đơn giản
Tỷ lệ lỗi từ (WER) đếm số từ mà hệ thống làm sai (thay thế, bỏ sót hoặc thêm vào) trên mỗi trăm từ được nói. WER 5% nghĩa là khoảng một lỗi mỗi hai mươi từ. Một clip ngắn có 100 đến 150 từ, nên ngay cả hệ thống xuất sắc thường vẫn để lại thứ cần sửa.
Các hệ thống đạt điểm bao nhiêu
| Bài kiểm tra | Kết quả | Ai đo |
|---|---|---|
| Artificial Analysis, ~8 giờ âm thanh tiếng Anh thực tế | ElevenLabs Scribe v2: WER 2,2%, đứng khoảng thứ tư trong các mô hình được thử | Bài kiểm tra độc lập |
| Bộ dữ liệu riêng của AssemblyAI | Universal-3.5 Pro của họ 4,35%; GPT-4o Transcribe 5,34%; Scribe v2 5,87%; Deepgram Nova-3 6,66% | AssemblyAI (một nhà cung cấp) |
| LibriSpeech test-clean (sách nói đọc) | Whisper large-v2: WER 2,7% | Bài báo Whisper của OpenAI |
| Các cấp ngôn ngữ riêng của ElevenLabs | 5% hoặc thấp hơn cho tiếng Anh, Pháp, Đức, Tây Ban Nha và Nhật; 20 đến 50% cho tiếng Urdu, Yoruba và Zulu | ElevenLabs (một nhà cung cấp) |
Điều gì khiến nó thất bại
- Tạp âm và khoảng cách. Trong thử thách CHiME-6, các bản ghi người nói chuyện ở hai đầu căn phòng đạt khoảng 51% WER với hệ thống cơ sở.
- Ai đang nói. Một nghiên cứu năm 2020 trên PNAS cho thấy năm hệ thống thương mại có WER trung bình 35% với người nói da đen so với 19% với người nói da trắng.
- Nói chồng lên nhau và lẫn lộn ngôn ngữ. YouTube liệt kê việc nhiều người nói chồng lên nhau, lẫn lộn ngôn ngữ và im lặng lâu trong các lý do khiến phụ đề của chính nó thất bại.
- Bịa ra nội dung. Bài báo Whisper ghi nhận rằng các mô hình đôi khi có thể xuất ra văn bản không liên quan đến âm thanh.
Để có phụ đề sạch hơn
- Thu âm gần micro, tránh xa nhạc và tiếng xe cộ.
- Hãy chọn ngôn ngữ nói thay vì tự động phát hiện với clip ngắn hoặc nhiều ngôn ngữ.
- Đọc bản chép lời trước khi xuất. Trong Captions Cut mỗi từ đều chỉnh sửa được: chạm vào để sửa văn bản hoặc thời gian.
Chúng tôi đã kiểm tra thế nào
Các nhà cung cấp tự xếp mình đầu bảng trên các bài kiểm tra do họ chọn, nên số liệu của họ được ghi là của họ và không được so sánh giữa các nhà cung cấp. Con số độc lập là của Artificial Analysis. Đọc ngày 22 tháng 10 năm 2026.
Câu hỏi thường gặp
Phụ đề tự động có đủ chính xác để đăng mà không cần kiểm tra không?
Hiếm khi. Ngay cả ở WER 2 đến 5%, một clip ngắn thường có một hai lỗi, thường ở tên riêng. Hãy đọc trước.
Ngôn ngữ nào được chép lời tốt nhất?
Các ngôn ngữ phổ biến có nhiều dữ liệu huấn luyện (tiếng Anh, Tây Ban Nha, Pháp, Đức, Nhật và các ngôn ngữ khác) đạt điểm tốt nhất. Captions Cut chép lời 53 ngôn ngữ; những ngôn ngữ ít tài nguyên cần sửa nhiều hơn.
Nguồn
- Artificial Analysis: ElevenLabs Scribe v2
- AssemblyAI: các bài kiểm tra
- Radford và cộng sự (2022), Whisper
- ElevenLabs: chuyển giọng nói thành văn bản
- Watanabe và cộng sự (2020), CHiME-6
- Koenecke và cộng sự (2020), PNAS
- YouTube: phụ đề tự động
Mỗi trang được đọc ngày .
Tạo phụ đề cho video ngay trong trình duyệt Tải ứng dụng iPhone