クローズドキャプションは、プレゼンテーションやライブイベントにおいて、アクセシビリティ、エンゲージメント、情報保持を向上させる効果的な手段です。.
自動字幕は、音声と同じ言語でリアルタイムに画面に表示されるテキストに音声を変換します。ASR（自動音声認識）は、話された文の文字起こしを生成するために使用される人工知能の一種です。.
単語誤り率
自動字幕の精度を評価するために、最も広く使用されている指標は単語誤り率（WER）です。これは、話者が実際に話した単語と自動転写結果との誤り数を測定します。本質的に、音声をテキストに変換する自動システムの性能を判断する方法を提供します。.
例えば、100語中4語が間違っている場合、正確度は96％になります。.
単語誤り率（WER）は、自動字幕の精度を測定するために使用される指標です。参照テキストと文字起こしテキストを完全に整合させるために必要な修正数の総計を算出する前に、正しく識別された単語シーケンスを細粒度で整列させます。これには、置換、削除、挿入の特定が含まれます。その後、WERは必要な調整数を参照テキストの総単語数で割ることにより算出されます。一般的に、WERが低いほど、音声認識システムの精度が高いと言えます。.
WERはエラーの性質を見落とします
WER測定は、特定のエラーがどれほど関連性・重要性があるかを示さないため、誤解を招く可能性があります。同じ単語の別表記（movable / moveable）のような単純な誤りは、読者によってエラーと見なされることはあまりありませんが、置換（exemptions / essentials）のような誤りはより大きな影響を与える可能性があります。.
WER数は、特に高精度の音声認識システムにおいて、誤解を招くことがあり、人間の正確性の認識と必ずしも一致しません。人間にとって、90％から99％の精度レベルの違いはしばしば区別しにくいです。.
| 元の文字起こし: | ASRキャプション出力: |
| 例えば、私 行う だけ非常に限定的な使用を好む 必須項目 提供された上で、特定の点をより詳細に掘り下げたいと考えており、恐れるのは 私は呼びかけます 個々の州議会に対し、欧州裁判所の役割が明確になるまで条約を批准するよう呼びかけることは、非常に有害な影響を及ぼす可能性があります。 | 例えば、私も提供された例外のごく限られた利用だけが行われることを望んでいます。特定の点についてより詳細に掘り下げたいと考えており、その点を恐れています、 呼びかけ 個別の州議会が欧州裁判所の役割が明確になるまで条約を批准することは、非常に有害な影響をもたらす可能性があります。 |
Interprefy's 認識された単語誤り率
Interprefyは、Perceived WERと呼ばれる独自の言語別ASRエラー指標を開発しました。この指標は、音声の人間の理解に影響を与えるエラーのみをカウントし、すべてのエラーをカウントしません。Perceivedエラーは通常、WERよりも低く、場合によっては最大50%も低くなることがあります。5〜8%のPerceived WERは、ユーザーにほとんど気付かれません。.
以下のチャートは、非常に高精度なASRシステムにおけるWERと知覚WERの違いを示しています。同じ言語の異なるデータセット（S0‑S4）におけるパフォーマンスの差に注意してください。.
グラフに示すように、人間が認識するWERは統計的なWERよりもはるかに優れていることが多いです。.
以下の図は、特定の言語で同じ音声データセットを使用し、知覚WERを用いたさまざまなASRシステム間の精度の違いを示しています。.
極めて正確なクローズドキャプションを実現するための重要な要素
考慮すべき重要な点が3つあります：
- ベストインクラスのソリューションを使用してください：すべての言語をカバーするために汎用エンジンを選ぶのではなく、イベントで各言語に最適なエンジンを利用するプロバイダーを選択してください。.
- エンジンを最適化する：ブランド名や特殊な名称、略語が適切に認識されるよう、AIにカスタム辞書を追加できるベンダーを選択してください。.
- 高品質な音声入力を確保してください：音声入力が悪いと、ASRシステムは出力品質を達成できません。音声が大きくはっきりと捉えられるようにしてください。.