米国のスペイン語ネットワークニュース番組では、分析したサンプルの85%がキャプション遅延の上限7秒を超え、キャプションは平均して言葉が発せられた8.2秒後に表示された(Fresno、JoSTrans 2024)。 精度も同じ傾向を示している。ニュース番組では、人間のキャプション作成者はNER精度99.4%に達した一方、未編集の自動キャプションは97.4%にとどまり、品質の下限である98%を下回った(Romero-FrescoとFresno、Linguistica Antverpiensia 2023)。一方、FCCに寄せられたテレビのクローズドキャプションに関する苦情は、2023年の310件から2024年には683件に増えた(FCC CGB Consumer Complaints Data)。本稿では、FCC、ギャローデット大学の研究者、Universidade de VigoとUniversity of Texas Rio Grande ValleyのNER研究、Open ASR Leaderboard、WHO、そして十数本の査読付き論文のデータをまとめた。あらゆるライブ形式にわたる遅延の全体像については、関連するリアルタイム字幕の遅延のまとめもご覧ください。
主なポイント
- 米国のニュースにおける人手のキャプションはNER精度99.4%を記録し、未編集の自動キャプションは97.4%だった(Romero-FrescoとFresno、Linguistica Antverpiensia 2023)。
- 米国のスペイン語ニュース番組の平均NER精度は97.04%で、基準値の98%を下回った(Fresno、JoSTrans 2024)。
- スペイン語ニュース番組のサンプルの85%が、キャプション遅延の上限7秒を超えた(Fresno、JoSTrans 2024)。
- 元のライブテレビキャプションは発話より7〜12秒遅れ、同じテストの自動キャプションは約2秒の遅れだった(Thompsonら、arXiv 2026)。
- 視聴者は、テレビキャプションの遅延7.5秒ごとにおよそ1ポイントの品質評価を失った(Thompsonら、arXiv 2026)。
- NER 98%に達したのは、ライブテレビ70クリップ中11クリップ、ASR 70クリップ中4クリップのみだった(Thompsonら、arXiv 2026)。
- 2020年の米国の事例研究では、自動キャプションは1分あたり約22件の誤りを出したのに対し、ステノグラフィーは5件だった(Romero-FrescoとFresno、2023)。
- テレビのクローズドキャプションに関するFCCへの苦情は、2023年の310件から2024年には683件に達した(FCC CGB Consumer Complaints Data)。
- 認証された自動キャプションシステムのすべての誤りの65%は句読点の誤りだった(Romero-FrescoとVan Gauwbergen、Applied Sciences 2025)。
- ライブキャプション作成者の精神的負荷は、30人のキャプション作成者を対象とした研究で、脳神経外科医に匹敵すると評価された(Namら、Applied Ergonomics 2023)。
- Open ASR Leaderboardにおける長尺の英語ASRの最良の結果はWER 7.32%だった(Open ASR Leaderboard論文、arXiv 2025、2026年3月時点のデータ)。
1. ライブニュースのキャプション精度:人手と自動の比較
これまでで最大規模の人間と機械の比較から得られた主要な結論は、自動キャプションが失敗するということではなく、特定の水準で失敗するということだ。未編集の自動キャプションは、2021年の米国の事例研究でニュースにおいてNER精度97.4%に達し、同じジャンルの人手のキャプションは99.4%だった(Romero-FrescoとFresno、Linguistica Antverpiensia 2023)。NERの2ポイントは小さく聞こえるが、合格と不合格を分ける差である。許容基準は98%であり、自動キャプションの結果はNERの10点満点でわずか3.5に相当した。
ニュースは機械にとって最も扱いやすいジャンルでもある。同じ事例研究では、スポーツの自動キャプションは95.4%に低下した一方、スポーツの人手のキャプションは99.6%に上昇しており、発話が速く重なり合う場面ほど差が広がる。この研究は、2018年から2022年にかけて英国、米国、カナダで実施された4件の事例研究から、約17,000件のライブキャプションを分析した。
| 指標 | 値 | 出典 |
|---|---|---|
| 人手のキャプション、米国ニュースジャンル、NER精度 | 99.4% | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(Enco事例研究、2021年) |
| 自動キャプション、米国ニュースジャンル、NER精度 | 97.4%(10点満点中3.5) | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(Enco事例研究、2021年) |
| ステノグラフィー対リスピーク対自動、米国 | 99.1%対98.6%対96.3% | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(Vitac事例研究、2020年) |
| 英国のリスピーク対Microsoft対Googleのキャプション | 97%対96%対95.5% | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(Sky事例研究、2018年) |
| カナダの人手によるライブキャプション、平均NER | 98.9%(10点満点中7) | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(カナダ、2019〜2021年) |
| カナダのサンプル数 | 10分間のクリップ440本、キャプション9,300件 | Romero-FrescoとFresno、Linguistica Antverpiensia 2023 |
| 英国のライブ字幕、Ofcom委託の評価、全体の精度 | 字幕78,000件で98.4% | Romero-FrescoとFresno、2023、Ofcomの2013〜2015年のプロジェクトを引用 |
文脈に関する注記:これらの事例研究は2018年から2021年のものであり、最新の音声エンジンより前のものだ。同じ著者らは、より新しいエンジンが、話者が1人で音声が明瞭という管理された条件下でNER精度99.1%から99.9%に達したと報告しているが、これは緊急ニュースの遠隔中継とは正反対の条件である。論文全文:The accuracy of automatic and human live captions in English。Ofcomのプロジェクトに関する入手可能な最新データは2013〜2015年のものである。
2. ライブニュースにおけるキャプション表示遅延
遅延は、ライブニュースのキャプションが、単語が1つも間違う前に視聴者を失う原因となる点である。分析した米国のスペイン語ニュース番組のサンプルの85%が、7秒の遅延上限を超えた(Fresno、JoSTrans 2024)。個々のキャプションの遅延は0.7秒から41秒まで幅があった。テンポの速いニュース項目で41秒遅れたキャプションは、画面に映っているものとは別の話を説明していることになる。
市場の自動側には、構造上の優位性がある。自動キャプションは通常、発話より2〜3秒遅れるのに対し、人手のキャプションは4〜10秒遅れる(Romero-FrescoとVan Gauwbergen、Applied Sciences 2025)。2026年のギャローデット大学の研究では、ライブクリップにおける元のテレビキャプションの遅延が7〜12秒と測定された一方、放送ベンダーAppTekが生成したASR条件は平均2秒だった(Thompsonら、arXiv 2026)。したがって放送事業者にとってのトレードオフは、精度とキャプションなしの比較ではなく、精度と時間の比較である。
| 指標 | 値 | 出典 |
|---|---|---|
| キャプションの平均遅延、TelemundoとUnivisionのニュース番組 | 8.2秒対8.3秒 | Fresno、JoSTrans 2024 |
| 遅延7秒を超えたスペイン語ニュース番組のサンプルの割合 | 85% | Fresno、JoSTrans 2024 |
| 個々のキャプションの遅延の範囲 | 0.7〜41秒 | Fresno、JoSTrans 2024 |
| 米国のキャプションについて引用される遅延基準 | 6〜7秒は許容範囲、4〜5秒が目標 | Fresno、JoSTrans 2024(研究内で引用されたもの) |
| テストクリップにおける元のライブテレビキャプションの遅延 | 7〜12秒 | Thompsonら、ギャローデット大学、arXiv 2026 |
| 同じテストにおけるASRキャプションの遅延 | 平均2秒(ジッター±0.05秒) | Thompsonら、ギャローデット大学、arXiv 2026 |
| 典型的な遅延、自動対人手のキャプション | 2〜3秒対4〜10秒 | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| Super Bowl LIIと2016年大統領選討論会のキャプション遅延 | 5.3秒と6.1秒 | Fresno、JoSTrans 2024(過去の研究を要約したもの) |
例外値に関する注記:FCCの規則自体には秒数の規定がない。6〜7秒という数字はFresnoがスペイン語ニュース番組に関するJoSTransの研究で報告した基準であり、成文化された上限ではない(第6節を参照)。
3. 単語誤り率とNER:指標が食い違う理由
単語誤り率は音声認識における標準的な数値であり、人間のキャプション作成者が職務を果たしていることを罰する。プロのライブキャプション作成者は、遅れないように発話を要約する。WERは、意味が保たれているかどうかにかかわらず、欠落した単語をすべて誤りとして数える。2026年のギャローデット大学の研究では、テレビキャプションの平均WERは33.8%でありながら平均NERは95.28%、一方ASRキャプションの平均WERは17.2%、平均NERは94.34%だった(Thompsonら、arXiv 2026)。機械はWERでは「勝ち」、NERでは負けている。
より重要な結果は、どの指標も技術をまたいで視聴者の評価を同じように追跡できないという点だ。テレビキャプションでは、WERは視聴者の品質評価とr = -0.687(p < .001)で相関したが、ASRキャプションでは相関がr = -0.390(p = .003)に低下した。NERも同じ傾向で、テレビではr = 0.647、ASRではr = 0.383だった。1つの指標を選ぶ規制当局は、意図せずに特定の技術も選んでいることになる。
| 指標 | 値 | 出典 |
|---|---|---|
| 平均NER、テレビキャプション対ASRキャプション | 95.28対94.34 | Thompsonら、arXiv 2026 |
| NER 98の基準に達したクリップ、テレビ対ASR | 70本中11本対70本中4本 | Thompsonら、arXiv 2026 |
| 視聴者評価とNERの相関、テレビ対ASR | r = 0.647対r = 0.383 | Thompsonら、arXiv 2026 |
| 視聴者評価とACE2の相関、テレビ対ASR | r = -0.631対r = -0.291 | Thompsonら、arXiv 2026 |
| 平均ACE2スコア、テレビ対ASR(低いほど良い) | 0.67対0.52 | Thompsonら、arXiv 2026 |
| WER差の効果量、テレビ対ASR | d = 0.86 | Thompsonら、arXiv 2026 |
| 品質評価差の効果量、テレビ対ASR | d = -0.13 | Thompsonら、arXiv 2026 |
文脈に関する注記:視聴者はテレビキャプションとASRキャプションをほぼ同じに評価した(d = -0.13)が、WERの差は大きかった(d = 0.86)。同じギャローデット大学のグループによる以前のCHI 2024の研究では、WER、重み付きWER、ACE、ACE2と視聴者の評価との相関は弱いものにとどまった(Arroyo Chavezら、arXiv 2404.10153)。2026年の論文はプレプリントである:Are Caption Metrics Broken?。
4. キャプションの誤りは実際にどう現れるか
誤りの件数は、誤りの種類を隠してしまう。米国のスペイン語ニュース番組では、キャプションの41%から46%に少なくとも1件の誤りが含まれていたが、それらの誤りの82%は軽微、16%は標準、2%は重大だった(Fresno、JoSTrans 2024)。軽微な誤りは読む速度を落とし、重大な誤りは、たとえば市況報告での誤った数字のような誤情報を生む。
自動システムの失敗の仕方は異なる。自動キャプションシステムに対する2025年のNER認証では、すべての誤りの65%が句読点に由来し、話者識別によって複数話者の動画では誤り率が50%から100%上昇した(Romero-FrescoとVan Gauwbergen、Applied Sciences 2025)。人間のキャプション作成者は編集し、機械は書き起こす。自動システムの編集率は0.07%で、地域別の人手のキャプションの6%から33%と比べて低く、これがWERでの忠実度の高さと、読み手の速度に合わせる点での弱さの両方を説明している。
| 指標 | 値 | 出典 |
|---|---|---|
| 少なくとも1件の誤りを含むスペイン語ニュース番組のキャプション | 41〜46% | Fresno、JoSTrans 2024 |
| 誤りの重大度の内訳、スペイン語ニュース番組(軽微/標準/重大) | 82% / 16% / 2% | Fresno、JoSTrans 2024 |
| 誤りの重大度の内訳、英語の自動キャプション(軽微/標準/重大) | 89.2% / 10% / 0.8% | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| 自動キャプションの誤りのうち句読点に由来する割合 | 65% | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| 複数話者での誤り率の上昇 | 50〜100% | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| 編集率、自動対人手のキャプション | 0.07%対6〜33% | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| 1分あたりの誤り:ステノグラフィー対リスピーク対自動 | 5対7対22 | Romero-FrescoとFresno、Linguistica Antverpiensia 2023(Vitac、2020年) |
| テキストの削減率、スペイン語ニュース番組のキャプション | 26% | Fresno、JoSTrans 2024 |
文脈に関する注記:読む速度が削減を説明する。スペイン語ニュース番組のアンカーの話速は平均167語/分だったのに対し、キャプションは平均121語/分(1秒あたり11.574文字)で、キャプションの39%が1秒あたり15文字を超えていた(Fresno、JoSTrans 2024)。比較として、DCMP Captioning Keyは、上級者向けのメディアでも表示速度を160語/分以下とするよう定めている。認証データの出典:Fit for What Purpose? NER Certification of Automatic Captions。
5. 視聴者への影響:遅延、誤り、疲労
視聴者のデータは、遅れの1秒ごとに代償があることを示している。元の放送遅延のままのテレビキャプションの品質は7点満点中3.66と評価され、同じキャプションを同期させた場合は5.09だった。遅延2秒のASRキャプションでも4.81だった(Thompsonら、arXiv 2026)。研究は、テレビキャプションの遅延7.5秒ごとにおよそ1ポイントの評価が失われると推定した。ある参加者は端的に、遅れる優れたキャプションより、同期した不完全なキャプションのほうがよいと述べた。
誤りは視聴者だけでなく話し手にも代償を課す。米国の参加者207人による事前登録実験では、誤りの多いASR字幕は、話し手と内容の両方の評価を一貫して下げた(Kadoma、Shrivastava、Naaman、arXiv 2026)。また、理解を助けるキャプションでも視聴者を疲れさせることがある。聴覚の実験室試験では、不完全で時間的に遅れたキャプションが文の認識率を63%から77%に高めたが、主観的な疲労はより大きく増加した(Esser、Picou、Hornsby、American Journal of Audiology 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| 品質評価、遅延したテレビキャプション対同期したテレビキャプション(7段階) | 3.66対5.09 | Thompsonら、arXiv 2026 |
| 理解度評価、遅延したテレビキャプション対同期したテレビキャプション | 4.74対5.65 | Thompsonら、arXiv 2026 |
| テレビキャプションの遅延1単位あたりの評価の低下 | 7.5秒ごとに約1ポイント | Thompsonら、arXiv 2026 |
| 毎日キャプションを利用する調査参加者 | 216人中84.7% | Thompsonら、arXiv 2026 |
| 不完全なキャプションありとなしでの文の認識率 | 77%対63% | Esserら、American Journal of Audiology 2025 |
| それらのテストキャプションで正しく表示された発話の単語 | 86〜88% | Esserら、American Journal of Audiology 2025 |
| 字幕の誤りの評価実験の参加者 | 207人 | Kadomaら、arXiv 2026 |
| キャプションの安定性評価におけるクラウドソーシングの視聴者 | 123人 | Liuら、CHI Extended Abstracts 2023 |
文脈に関する注記:対象となる人々は多い。WHOは、世界人口の5%超、つまり4億3000万人が、障害を伴う難聴のためにリハビリテーションを必要としており、2050年までに7億人超に増加すると推計している(WHOの難聴に関するファクトシート、2026年)。ちらつく暫定的なASRテキストは、別の負担を加える。Liuらは、安定化の手法が視聴者の注意散漫と疲労を軽減することを見いだした。ショート動画プラットフォームも異なる規模で同じ問題に直面しており、これは当社のショート動画のキャプションに関するまとめで取り上げている。
6. FCCの規則とキャプションへの苦情
米国の規則は品質を数値ではなく言葉で定義している。47 CFR 79.1により、キャプションは正確で、同期しており、完全で、適切に配置されていなければならず、「対応する発話または音が始まる時点で表示され始めなければならない」。規則は、最も安価なライブニュースの方法には制限を設けている。ABC、CBS、Fox、NBCおよびその加盟局は、上位25市場において、プロンプターに基づくElectronic Newsroom Technique(ENT)のキャプションを規則遵守としてカウントできない。それ以外の地域でENTを使う局は、スタジオでのニュース、スポーツ、天気に台本を用意し、台本のない緊急ニュースはクロールなどの文字情報で補わなければならない。
苦情データは摩擦の高まりを示している。FCCの消費者苦情データセットにおけるテレビのクローズドキャプションに関する苦情は、2023年の310件から2024年には683件へと、120%増加した((683 - 310) / 310)。2025年も604件と高止まりした(FCC CGB Consumer Complaints Data)。インターネット上のキャプションに関する苦情は、それより早く2023年の705件でピークに達した。
| 指標 | 値 | 出典 |
|---|---|---|
| 苦情:テレビのクローズドキャプション、2023年 / 2024年 / 2025年 | 310 / 683 / 604 | FCC CGB Consumer Complaints Data(2026年10月に照会) |
| 苦情:インターネット上のクローズドキャプション、2023年 / 2024年 / 2025年 | 705 / 472 / 339 | FCC CGB Consumer Complaints Data |
| テレビのクローズドキャプションに関する苦情、2026年の年初来 | 376 | FCC CGB Consumer Complaints Data |
| 2014年10月31日以降の累計苦情:テレビ対インターネットのキャプション | 4,139対3,057 | FCC CGB Consumer Complaints Data |
| キャプション全般に関する苦情、2009〜2013年 | 2,323(年平均465) | FCC Caption Quality Report and Order、FCC 14-12(2014年) |
| キャプションに関する苦情の申立期限 | 問題発生から60日以内 | eCFR、47 CFR 79.1(g)(1) |
| FCCから転送された苦情に配信事業者が回答する期限 | 30日 | eCFR、47 CFR 79.1(g)(4) |
| チャンネルがキャプション義務を免除される収益水準 | 年間3,000,000 USD未満 | eCFR、47 CFR 79.1(d)(12) |
文脈に関する注記:FCCは、これらの非公式な苦情に記載された事実を検証していないと述べており、カテゴリーは消費者が選択するため、このデータセットではライブニュースを他の番組から切り分けることはできない(CGB Consumer Complaints Data)。2009〜2013年の数字は、FCC 14-12のキャプション品質に関する命令に記載された別の受付システムによるものなので、2つの系列を1本の傾向線として読むべきではない。聴覚障害者や難聴の発信者向けの中継サービスはFCCの関連プログラムであり、当社のTRSとVRSの統計で詳しく解説している。
7. 人材と技術の転換
ライブキャプションの人的側面は負担を抱えている。30人のライブキャプション作成者が、主観的な精神的負荷を高いと評価し、それは脳神経外科医に匹敵する水準だった(NASA-TLX尺度)。主な要因は言い換えと雇用形態だった(Namら、Applied Ergonomics 2023)。著者らは、キャプション作成者がすべての単語を入力する代わりに、AIが生成したキャプションを監督する方向に移行することを提案している。リアルタイムキャプション作成者の人材供給への圧力は、当社のCART統計のまとめで取り上げている。
ハイブリッドなワークフローは、すでに測定可能な成果を示している。大規模言語モデルとASRを用いて人手のCART書き起こしを修正するCARTGPTは、39.7時間のデータセットで、単語精度をベースラインのCARTより5.6%、最先端のASRより17.3%向上させた(Wu、Kleiver、Jain、ASSETS 2025)。ベンチマークは、生のエンジンがどこまで進歩したかを示している。Open ASR Leaderboardにおける短尺の英語の最良の結果はWER 5.42%、長尺の最良の結果は7.32%だった(Open ASR Leaderboard論文、arXiv 2025、2026年3月27日時点のデータ)。
| 指標 | 値 | 出典 |
|---|---|---|
| 負荷研究のライブキャプション作成者 | 30人 | Namら、Applied Ergonomics 2023 |
| CARTGPTの単語精度の向上、ベースラインのCART比 / ASR比 | 5.6% / 17.3% | Wuら、ASSETS 2025 |
| Open ASR LeaderboardのASRシステムとデータセット | 86モデル、12データセット | Open ASR Leaderboard論文、arXiv 2025 |
| リーダーボードにおける短尺英語の最良WER | 5.42%(Cohere Labs Transcribe) | Open ASR Leaderboard論文、arXiv 2025 |
| 長尺英語のWER:最良の商用モデル対Whisper Large v3 | 7.32%対11.2% | Open ASR Leaderboard論文、arXiv 2025 |
| 認証された自動キャプション、全体のNER:英語対スペイン語 | 99.03%対98.77% | Romero-FrescoとVan Gauwbergen、Applied Sciences 2025 |
| 聴覚障害者・難聴の成人向けリアルタイム臨床キャプションのWER範囲 | 12.7%〜22.8% | Hughesら、JMIR Rehabilitation and Assistive Technology 2026 |
| 臨床キャプションの利用者のうち、キャプションを追いやすいと感じた割合 | 90%(29件のシミュレーション中26件) | Hughesら、JMIR Rehabilitation and Assistive Technology 2026 |
文脈に関する注記:リーダーボードのWERはベンチマーク音声で測定されたものであり、クロストークや遠隔中継を伴う複数話者のライブニュースで測定されたものではなく、遅延については何も示していない。出典:Open ASR Leaderboard論文、CARTGPT、Namら、Hughesら。法廷での書き起こしでも、ベンチマーク上の精度と現場での精度の間に同様の差があり、当社の法廷での音声認識の統計をご覧ください。
まとめ:数字で見るライブニュースのクローズドキャプション表示遅延と単語誤り率
| 指標 | 値 | 出典 |
|---|---|---|
| 人手のキャプション、米国ニュース、NER精度 | 99.4% | Romero-FrescoとFresno、2023 |
| 自動キャプション、米国ニュース、NER精度 | 97.4% | Romero-FrescoとFresno、2023 |
| 米国のスペイン語ニュース番組、NER精度 | 97.04% | Fresno、JoSTrans 2024 |
| 遅延7秒を超えたスペイン語ニュース番組のサンプル | 85% | Fresno、JoSTrans 2024 |
| スペイン語ニュース番組のキャプションの平均遅延 | 8.2秒 | Fresno、JoSTrans 2024 |
| テストクリップにおける元のライブテレビキャプションの遅延 | 7〜12秒 | Thompsonら、arXiv 2026 |
| 典型的な遅延、自動対人手のキャプション | 2〜3秒対4〜10秒 | Romero-FrescoとVan Gauwbergen、2025 |
| 平均WER、テレビ対ASRのキャプション | 33.8%対17.2% | Thompsonら、arXiv 2026 |
| NER 98に達したクリップ、テレビ対ASR | 70本中11本対70本中4本 | Thompsonら、arXiv 2026 |
| 品質評価、遅延したテレビキャプション対同期したテレビキャプション | 7点満点中3.66対5.09 | Thompsonら、arXiv 2026 |
| 1分あたりの誤り、ステノグラフィー対自動 | 5対22 | Romero-FrescoとFresno、2023 |
| 自動キャプションの誤りのうち句読点に由来する割合 | 65% | Romero-FrescoとVan Gauwbergen、2025 |
| 少なくとも1件の誤りを含むスペイン語ニュース番組のキャプション | 41〜46% | Fresno、JoSTrans 2024 |
| 英国のライブ字幕、全体の精度(2013〜2015年) | 98.4% | Romero-FrescoとFresno、2023、Ofcomのプロジェクトを引用 |
| FCCへのテレビキャプション苦情、2023年対2024年 | 310対683 | FCC CGB Consumer Complaints Data |
| FCCへのテレビキャプション苦情、2025年 | 604 | FCC CGB Consumer Complaints Data |
| FCCに申し立てられたキャプション苦情、2009〜2013年 | 2,323 | FCC 14-12(2014年) |
| ライブキャプション作成者の負荷 | 脳神経外科医に匹敵 | Namら、Applied Ergonomics 2023 |
| 長尺英語ASRの最良のWER | 7.32% | Open ASR Leaderboard論文、arXiv 2025 |
| 障害を伴う難聴のためリハビリテーションを必要とする人々 | 4億3000万人 | WHOファクトシート、2026年 |
方法論と出典
- Romero-Fresco, P.とFresno, N.:The accuracy of automatic and human live captions in English、Linguistica Antverpiensia 22(2023年)
- Fresno, N.:Closed Captions en espanol. Live Captioning Quality in Spanish-language Newscasts in the U.S.、The Journal of Specialised Translation(2024年)
- Romero-Fresco, P.とVan Gauwbergen, Y.:Fit for What Purpose? NER Certification of Automatic Captions in English and Spanish、Applied Sciences 15(3)(2025年)
- Thompson, B.ら(ギャローデット大学):Are Caption Metrics Broken? Latency, Deaf and Hard of Hearing User Ratings, and Bias across Technologies、arXivプレプリント(2026年)
- Arroyo Chavez, M.ら(ギャローデット大学):How Users Experience Closed Captions on Live Television、CHI 2024
- Romero-Fresco, P.:Negotiating quality assessment in media accessibility: the case of live subtitling、Universal Access in the Information Society(2020年)
- FCC:CGB Consumer Complaints Data、2026年10月に問題別・年別に照会
- FCC:Closed Captioning Quality Report and Order, FCC 14-12(2014年)
- eCFR:47 CFR 79.1, Closed captioning of televised video programming
- DCMP:Captioning Key, Presentation Rate
- Esser, K.、Picou, E.、Hornsby, B.:Imperfect Captions Paired to Audiovisual Stimuli Improve Speech Recognition but Do Not Reduce Listening-Related Fatigue、American Journal of Audiology(2025年)
- Kadoma, K.、Shrivastava, P.、Naaman, M.:Lost in Transcription、arXiv(2026年)
- Liu, X.ら:Modeling and Improving Text Stability in Live Captions、CHI Extended Abstracts(2023年)
- Nam, S.ら:Assessing subjective workload for live captioners、Applied Ergonomics(2023年)
- Wu, L.-Y.、Kleiver, A.、Jain, D.:CARTGPT: Real-Time Correction of CART Captions Using Large Language Models、ASSETS 2025
- Hughes, S.ら:Assessing the Role of Medical Caption Technology、JMIR Rehabilitation and Assistive Technology(2026年)
- Open ASR Leaderboard:Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation、arXiv(2025年、結果は2026年3月27日時点)
- WHO:Deafness and hearing loss fact sheet(2026年)
- データウォッチ:ギャローデット大学の遅延と指標に関する研究(Thompsonら)およびKadomaらの実験はプレプリントであり、査読後に変更される可能性がある。Romero-FrescoとFresnoの事例研究は2018年から2022年のものであり、Ofcomのライブ字幕プロジェクトは2013年から2015年に実施された(英国の精度に関する入手可能な最新データ)。OfcomとCRTCのページは調査中にボット対策または403エラーを返したため、英国とカナダの数値はそれらを報告する査読付き論文を通じて引用している。6〜7秒の遅延基準とSuper Bowl LIIおよび2016年討論会の数値はFresno(2024)の報告どおりであり、47 CFR 79.1自体は遅延の数値上限を定めていない。FCCの苦情件数は非公式で未検証、消費者が分類したものであり、ライブニュースを切り分けておらず、2026年の数値は年初来である。120%の増加は2023年と2024年の件数からの当社独自の計算である。スペイン語ニュース番組の研究(2024年)は2つのネットワークと200分を対象としている。リーダーボードのWERの数値はベンチマークの結果であり、ライブニュースの遅延を測定するものではない。
最終更新日:2026年10月4日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、ギャローデット大学のキャプション指標の研究が査読を終え、FCCの苦情データセットが2026暦年を締めた時点を予定している。