W hiszpańskojęzycznych serwisach informacyjnych sieci w USA 85% analizowanych próbek przekraczało limit opóźnienia napisów wynoszący 7 sekund, a przeciętny napis pojawiał się 8,2 sekundy po wypowiedzeniu słów (Fresno, JoSTrans 2024). Dokładność opowiada równoległą historię: w programach informacyjnych napisowcy ludzcy osiągali 99,4% dokładności NER, a nieredagowane napisy automatyczne 97,4%, czyli poniżej progu jakości wynoszącego 98% (Romero-Fresco i Fresno, Linguistica Antverpiensia 2023). Tymczasem skargi na napisy zamknięte w telewizji składane do FCC wzrosły z 310 w 2023 roku do 683 w 2024 (FCC CGB Consumer Complaints Data). Zebraliśmy dane z FCC, od badaczy Uniwersytetu Gallaudeta, z badań NER Universidade de Vigo i University of Texas Rio Grande Valley, z Open ASR Leaderboard, od WHO oraz z kilkunastu recenzowanych artykułów. Szerszy obraz opóźnień we wszystkich formatach na żywo znajdziesz w naszym towarzyszącym zestawieniu o opóźnieniach napisów w czasie rzeczywistym.
TL;DR
- Napisy ludzkie do amerykańskich wiadomości uzyskały 99,4% dokładności NER wobec 97,4% dla nieredagowanych napisów automatycznych (Romero-Fresco i Fresno, Linguistica Antverpiensia 2023).
- Hiszpańskojęzyczne serwisy informacyjne w USA osiągnęły średnio 97,04% dokładności NER, poniżej progu 98% (Fresno, JoSTrans 2024).
- 85% próbek hiszpańskojęzycznych serwisów przekraczało limit opóźnienia napisów wynoszący 7 sekund (Fresno, JoSTrans 2024).
- Oryginalne napisy telewizyjne na żywo opóźniały się względem mowy o 7 do 12 sekund; napisy automatyczne w tym samym teście o około 2 sekundy (Thompson i in., arXiv 2026).
- Widzowie tracili około 1 punktu oceny jakości na każde 7,5 sekundy opóźnienia napisów telewizyjnych (Thompson i in., arXiv 2026).
- Tylko 11 z 70 klipów telewizyjnych na żywo i 4 z 70 klipów ASR osiągnęły 98% NER (Thompson i in., arXiv 2026).
- Napisy automatyczne popełniały około 22 błędów na minutę wobec 5 w stenografii w amerykańskim studium przypadku z 2020 roku (Romero-Fresco i Fresno, 2023).
- Skargi do FCC na napisy zamknięte w telewizji sięgnęły 683 w 2024 roku, wobec 310 w 2023 (FCC CGB Consumer Complaints Data).
- 65% wszystkich błędów w certyfikowanym systemie napisów automatycznych stanowiły błędy interpunkcji (Romero-Fresco i Van Gauwbergen, Applied Sciences 2025).
- Obciążenie psychiczne napisowców na żywo oceniono jako zbliżone do obciążenia neurochirurgów, w badaniu 30 napisowców (Nam i in., Applied Ergonomics 2023).
- Najlepszy wynik dla długich nagrań w języku angielskim w Open ASR Leaderboard to 7,32% WER (artykuł Open ASR Leaderboard, arXiv 2025, dane z marca 2026).
1. Dokładność napisów do wiadomości na żywo: ludzie kontra automaty
Najważniejszy wniosek z największego dotąd porównania człowieka z maszyną nie brzmi, że napisy automatyczne zawodzą, lecz że zawodzą w konkretnym przedziale. Nieredagowane napisy automatyczne do wiadomości osiągnęły 97,4% dokładności NER w amerykańskim studium przypadku z 2021 roku, wobec 99,4% dla napisów ludzkich w tym samym gatunku (Romero-Fresco i Fresno, Linguistica Antverpiensia 2023). Dwa punkty NER brzmią niewiele, ale to różnica między zaliczeniem a niezaliczeniem: progiem akceptowalności jest 98%, a wynik automatyczny przełożył się na zaledwie 3,5 w 10-stopniowej skali NER.
Wiadomości okazują się też najprzyjaźniejszym dla maszyn gatunkiem. W tym samym studium przypadku napisy automatyczne w sporcie spadły do 95,4%, podczas gdy napisy ludzkie w sporcie wzrosły do 99,6%, więc przepaść rośnie dokładnie tam, gdzie mowa jest szybka i nakładająca się. Badanie przeanalizowało około 17.000 napisów na żywo w czterech studiach przypadku w Wielkiej Brytanii, USA i Kanadzie w latach 2018-2022.
| Metryka | Wartość | Źródło |
|---|---|---|
| Napisy ludzkie, amerykański gatunek wiadomości, dokładność NER | 99,4% | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (studium przypadku Enco, 2021) |
| Napisy automatyczne, amerykański gatunek wiadomości, dokładność NER | 97,4% (3,5 na 10) | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (studium przypadku Enco, 2021) |
| Stenografia vs respeaking vs napisy automatyczne, USA | 99,1% vs 98,6% vs 96,3% | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (studium przypadku Vitac, 2020) |
| Brytyjskie napisy z respeakingu vs Microsoft vs Google | 97% vs 96% vs 95,5% | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (studium przypadku Sky, 2018) |
| Kanadyjskie napisy ludzkie na żywo, średni NER | 98,9% (7 na 10) | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (Kanada, 2019-2021) |
| Wielkość próby kanadyjskiej | 440 dziesięciominutowych klipów, 9.300 napisów | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 |
| Brytyjskie napisy na żywo, ocena zlecona przez Ofcom, dokładność ogólna | 98,4% w 78.000 napisów | Romero-Fresco i Fresno, 2023, cytując projekt Ofcom z lat 2013-2015 |
Uwaga kontekstowa: studia przypadku pochodzą z lat 2018-2021, więc poprzedzają najnowsze silniki mowy. Ci sami autorzy podają, że nowsze silniki osiągały dokładność NER między 99,1% a 99,9% w warunkach kontrolowanych, z jednym mówcą i czystym dźwiękiem, czyli w układzie odwrotnym do pilnej relacji z zewnątrz. Pełny artykuł: The accuracy of automatic and human live captions in English. Najnowsze dostępne dane dla projektu Ofcom: 2013-2015.
2. Opóźnienie wyświetlania napisów w wiadomościach na żywo
Opóźnienie to miejsce, w którym napisy do wiadomości na żywo tracą widzów, zanim pomylą choćby jedno słowo. 85% analizowanych próbek hiszpańskojęzycznych serwisów informacyjnych w USA przekraczało limit opóźnienia wynoszący 7 sekund (Fresno, JoSTrans 2024), a pojedyncze opóźnienia napisów wahały się od 0,7 do 41 sekund. Napis opóźniony o 41 sekund w szybkim materiale informacyjnym opisuje inną historię niż ta widoczna na ekranie.
Strona automatyczna ma tu przewagę strukturalną. Napisy automatyczne zwykle opóźniają się o 2 do 3 sekund względem mowy, wobec 4 do 10 sekund dla napisów ludzkich (Romero-Fresco i Van Gauwbergen, Applied Sciences 2025). Badanie Gallaudeta z 2026 roku zmierzyło opóźnienia oryginalnych napisów telewizyjnych na poziomie 7 do 12 sekund w swoich klipach na żywo, podczas gdy wariant ASR, wytworzony przez dostawcę rozwiązań telewizyjnych AppTek, działał ze średnim opóźnieniem 2 sekund (Thompson i in., arXiv 2026). Dylemat nadawców nie polega więc na wyborze między dokładnością a brakiem napisów, lecz między dokładnością a czasem.
| Metryka | Wartość | Źródło |
|---|---|---|
| Średnie opóźnienie napisów, serwisy Telemundo vs Univision | 8,2 vs 8,3 sekundy | Fresno, JoSTrans 2024 |
| Odsetek próbek hiszpańskich serwisów przekraczających 7 sekund opóźnienia | 85% | Fresno, JoSTrans 2024 |
| Zakres pojedynczych opóźnień napisów | od 0,7 do 41 sekund | Fresno, JoSTrans 2024 |
| Wzorzec opóźnienia przytaczany dla napisów w USA | 6 do 7 sekund akceptowalne, 4 do 5 sekund docelowe | Fresno, JoSTrans 2024 (cytowane w badaniu) |
| Opóźnienie oryginalnych napisów telewizyjnych na żywo w klipach testowych | 7 do 12 sekund | Thompson i in., Uniwersytet Gallaudeta, arXiv 2026 |
| Opóźnienie napisów ASR w tym samym teście | średnio 2 sekundy (plus minus 0,05 s fluktuacji) | Thompson i in., Uniwersytet Gallaudeta, arXiv 2026 |
| Typowe opóźnienie, napisy automatyczne vs ludzkie | 2-3 s vs 4-10 s | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Opóźnienie napisów w Super Bowl LII i debacie prezydenckiej 2016 | 5,3 s i 6,1 s | Fresno, JoSTrans 2024 (podsumowanie wcześniejszych badań) |
Uwaga o wartościach odstających: sam przepis FCC nie zawiera żadnej liczby sekund. Wartość 6 do 7 sekund to wzorzec podany przez Fresno w badaniu JoSTrans o hiszpańskojęzycznych serwisach informacyjnych, a nie skodyfikowany limit (zob. sekcja 6).
3. Współczynnik błędów słów a NER: dlaczego metryki się rozchodzą
Współczynnik błędów słów to domyślna liczba w rozpoznawaniu mowy i karze ludzkich napisowców za wykonywanie ich pracy. Zawodowi napisowcy na żywo skracają wypowiedzi, aby nadążyć; WER liczy każde pominięte słowo jako błąd, niezależnie od tego, czy sens przetrwał. W badaniu Gallaudeta z 2026 roku napisy telewizyjne miały średni WER 33,8%, ale średni NER 95,28%, podczas gdy napisy ASR miały średni WER 17,2% i średni NER 94,34% (Thompson i in., arXiv 2026). Maszyna “wygrywa” w WER, a przegrywa w NER.
Ważniejszy wynik jest taki, że żadna metryka nie odzwierciedla ocen widzów jednakowo dla różnych technologii. Dla napisów telewizyjnych WER korelował z ocenami jakości widzów na poziomie r = -0,687 (p < 0,001), ale dla napisów ASR korelacja spadła do r = -0,390 (p = 0,003). NER wykazał ten sam wzorzec: r = 0,647 dla TV wobec r = 0,383 dla ASR. Regulator, który wybiera jedną metrykę, wybiera też, nie mówiąc o tym, technologię.
| Metryka | Wartość | Źródło |
|---|---|---|
| Średni NER, napisy telewizyjne vs napisy ASR | 95,28 vs 94,34 | Thompson i in., arXiv 2026 |
| Klipy osiągające próg 98 NER, TV vs ASR | 11 z 70 vs 4 z 70 | Thompson i in., arXiv 2026 |
| Korelacja NER z ocenami widzów, TV vs ASR | r = 0,647 vs r = 0,383 | Thompson i in., arXiv 2026 |
| Korelacja ACE2 z ocenami widzów, TV vs ASR | r = -0,631 vs r = -0,291 | Thompson i in., arXiv 2026 |
| Średni wynik ACE2, TV vs ASR (niższy jest lepszy) | 0,67 vs 0,52 | Thompson i in., arXiv 2026 |
| Wielkość efektu różnicy WER, TV vs ASR | d = 0,86 | Thompson i in., arXiv 2026 |
| Wielkość efektu różnicy w ocenie jakości, TV vs ASR | d = -0,13 | Thompson i in., arXiv 2026 |
Uwaga kontekstowa: widzowie ocenili napisy telewizyjne i ASR niemal identycznie (d = -0,13), mimo że różnica w WER była duża (d = 0,86). Wcześniejsze badanie CHI 2024 tej samej grupy z Gallaudeta wykazało jedynie słabą korelację między WER, ważonym WER, ACE i ACE2 a ocenami widzów (Arroyo Chavez i in., arXiv 2404.10153). Artykuł z 2026 roku to preprint: Are Caption Metrics Broken?.
4. Jak wyglądają błędy napisów w praktyce
Liczby błędów ukrywają ich rodzaje. W hiszpańskojęzycznych serwisach informacyjnych w USA od 41% do 46% napisów zawierało co najmniej jeden błąd, ale 82% tych błędów było drobnych, 16% standardowych, a 2% poważnych (Fresno, JoSTrans 2024). Drobne błędy spowalniają czytanie; poważne tworzą fałszywe informacje, na przykład błędną liczbę w raporcie giełdowym.
Systemy automatyczne zawodzą inaczej. W certyfikacji NER systemu napisów automatycznych z 2025 roku 65% wszystkich błędów pochodziło z interpunkcji, a identyfikacja mówców podnosiła współczynniki błędów o 50% do 100% w nagraniach z wieloma mówcami (Romero-Fresco i Van Gauwbergen, Applied Sciences 2025). Napisowcy ludzcy redagują; maszyny transkrybują. Wskaźnik redakcji systemu automatycznego wynosił 0,07%, wobec 6% do 33% dla napisów ludzkich w różnych regionach, co tłumaczy zarówno jego większą wierność w WER, jak i słabość w nadążaniu za czytelnikami.
| Metryka | Wartość | Źródło |
|---|---|---|
| Napisy hiszpańskich serwisów z co najmniej jednym błędem | 41-46% | Fresno, JoSTrans 2024 |
| Struktura ciężkości błędów, hiszpańskie serwisy (drobne / standardowe / poważne) | 82% / 16% / 2% | Fresno, JoSTrans 2024 |
| Struktura ciężkości błędów, automatyczne napisy angielskie (drobne / standardowe / poważne) | 89,2% / 10% / 0,8% | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Odsetek błędów napisów automatycznych pochodzących z interpunkcji | 65% | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Wzrost współczynnika błędów przy wielu mówcach | 50-100% | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Wskaźnik redakcji, napisy automatyczne vs ludzkie | 0,07% vs 6-33% | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Błędy na minutę: stenografia vs respeaking vs napisy automatyczne | 5 vs 7 vs 22 | Romero-Fresco i Fresno, Linguistica Antverpiensia 2023 (Vitac, 2020) |
| Redukcja tekstu, napisy hiszpańskich serwisów | 26% | Fresno, JoSTrans 2024 |
Uwaga kontekstowa: redukcję wyjaśnia szybkość czytania. Prezenterzy hiszpańskich serwisów mówili średnio 167 słów na minutę, a napisy miały średnio 121 słów na minutę (11,574 znaku na sekundę); 39% napisów przekraczało 15 znaków na sekundę (Fresno, JoSTrans 2024). Dla porównania DCMP Captioning Key wyznacza tempo prezentacji nieprzekraczające 160 słów na minutę nawet dla materiałów na wyższym poziomie. Źródło danych o certyfikacji: Fit for What Purpose? NER Certification of Automatic Captions.
5. Wpływ na widzów: opóźnienie, błędy i zmęczenie
Dane o widzach wyceniają każdą sekundę opóźnienia. Napisy telewizyjne z oryginalnym opóźnieniem nadawczym oceniono na 3,66 z 7 w jakości, wobec 5,09 po zsynchronizowaniu tych samych napisów, a napisy ASR z 2-sekundowym opóźnieniem nadal uzyskały 4,81 (Thompson i in., arXiv 2026). Badanie oszacowało utratę mniej więcej jednego punktu oceny na każde 7,5 sekundy opóźnienia napisów telewizyjnych. Jeden z uczestników ujął to wprost: woli niepełne napisy zsynchronizowane z obrazem niż lepsze napisy, które się spóźniają.
Błędy kosztują też mówcę, nie tylko widza. W zarejestrowanym wcześniej eksperymencie z udziałem 207 uczestników z USA napisy ASR z błędami konsekwentnie obniżały oceny zarówno mówcy, jak i treści (Kadoma, Shrivastava i Naaman, arXiv 2026). A napisy, które pomagają w rozumieniu, mogą mimo to męczyć widzów: w laboratoryjnym teście audiologicznym niedoskonałe, opóźnione w czasie napisy zwiększyły rozpoznawanie zdań z 63% do 77%, ale wywołały większy wzrost subiektywnego zmęczenia (Esser, Picou i Hornsby, American Journal of Audiology 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Ocena jakości, opóźnione vs zsynchronizowane napisy telewizyjne (skala 7-stopniowa) | 3,66 vs 5,09 | Thompson i in., arXiv 2026 |
| Ocena zrozumiałości, opóźnione vs zsynchronizowane napisy telewizyjne | 4,74 vs 5,65 | Thompson i in., arXiv 2026 |
| Utrata oceny na jednostkę opóźnienia napisów telewizyjnych | około 1 punktu na 7,5 sekundy | Thompson i in., arXiv 2026 |
| Uczestnicy ankiety korzystający z napisów codziennie | 84,7% z 216 | Thompson i in., arXiv 2026 |
| Rozpoznawanie zdań z niedoskonałymi napisami vs bez nich | 77% vs 63% | Esser i in., American Journal of Audiology 2025 |
| Wypowiedziane słowa poprawnie pokazane w tych napisach testowych | 86-88% | Esser i in., American Journal of Audiology 2025 |
| Uczestnicy eksperymentu oceny błędów napisów | 207 | Kadoma i in., arXiv 2026 |
| Widzowie z crowdsourcingu w ocenie stabilności napisów | 123 | Liu i in., CHI Extended Abstracts 2023 |
Uwaga kontekstowa: odbiorców jest bardzo wielu. WHO szacuje, że ponad 5% ludności świata, czyli 430 milionów osób, wymaga rehabilitacji z powodu upośledzającej utraty słuchu, a do 2050 roku liczba ta wzrośnie do ponad 700 milionów (karta informacyjna WHO o głuchocie i utracie słuchu, 2026). Migoczący tymczasowy tekst ASR dodaje osobne obciążenie; Liu i in. wykazali, że techniki stabilizacji zmniejszały rozpraszanie i zmęczenie widzów. Platformy krótkich form wideo mierzą się z tym samym problemem w innej skali, co omawiamy w naszym zestawieniu o napisach do krótkich wideo.
6. Przepisy FCC i skargi na napisy
Amerykańskie przepisy definiują jakość słowami, nie liczbami. Zgodnie z 47 CFR 79.1 napisy muszą być dokładne, synchroniczne, kompletne i prawidłowo umieszczone oraz “muszą zacząć się pojawiać w chwili, gdy zaczyna się odpowiadająca im mowa lub dźwięki”. Przepisy ograniczają jednak najtańszą metodę napisów do wiadomości na żywo: ABC, CBS, Fox i NBC oraz ich stacje afiliowane w 25 największych rynkach nie mogą wliczać do zgodności napisów Electronic Newsroom Technique (ENT) opartych na teleprompterze. Stacje w pozostałych miejscach, które stosują ENT, muszą przygotowywać scenariusz dla studyjnych wiadomości, sportu i pogody, a niescenariuszowe wiadomości z ostatniej chwili uzupełniać paskami lub innym tekstem.
Dane o skargach pokazują rosnące tarcia. Skargi na napisy zamknięte w telewizji w zbiorze skarg konsumenckich FCC wzrosły z 310 w 2023 roku do 683 w 2024, czyli o 120% ((683 - 310) / 310), i pozostały wysokie na poziomie 604 w 2025 (FCC CGB Consumer Complaints Data). Skargi na napisy w internecie osiągnęły szczyt wcześniej, w liczbie 705 w 2023 roku.
| Metryka | Wartość | Źródło |
|---|---|---|
| Skargi: napisy zamknięte w telewizji, 2023 / 2024 / 2025 | 310 / 683 / 604 | FCC CGB Consumer Complaints Data (zapytanie w październiku 2026) |
| Skargi: napisy zamknięte w internecie, 2023 / 2024 / 2025 | 705 / 472 / 339 | FCC CGB Consumer Complaints Data |
| Skargi na napisy zamknięte w telewizji, 2026 od początku roku | 376 | FCC CGB Consumer Complaints Data |
| Skargi łącznie od 31 października 2014: napisy w TV vs w internecie | 4.139 vs 3.057 | FCC CGB Consumer Complaints Data |
| Ogólne skargi na napisy, 2009-2013 | 2.323 (średnio 465 rocznie) | FCC Caption Quality Report and Order, FCC 14-12 (2014) |
| Termin na złożenie skargi na napisy | 60 dni po wystąpieniu problemu | eCFR, 47 CFR 79.1(g)(1) |
| Termin dystrybutora na odpowiedź na skargę przekazaną przez FCC | 30 dni | eCFR, 47 CFR 79.1(g)(4) |
| Poziom przychodów, poniżej którego kanał jest zwolniony z obowiązku napisów | poniżej 3.000.000 USD rocznie | eCFR, 47 CFR 79.1(d)(12) |
Uwaga kontekstowa: FCC zaznacza, że nie weryfikuje faktów podawanych w tych nieformalnych skargach, a kategorie wybiera konsument, więc zbioru danych nie da się użyć do wyodrębnienia wiadomości na żywo spośród innych programów (CGB Consumer Complaints Data). Liczba z lat 2009-2013 pochodzi z innego systemu przyjmowania skarg, opisanego w orzeczeniu FCC 14-12 o jakości napisów, więc obu serii nie należy czytać jako jednej linii trendu. Usługi przekaźnikowe dla głuchych i słabosłyszących rozmówców to powiązany program FCC, opisany w naszych statystykach TRS i VRS.
7. Zmiana w kadrach i technologii
Ludzka strona napisów na żywo jest pod presją. Trzydziestu napisowców na żywo oceniło swoje subiektywne obciążenie psychiczne jako wysokie, zbliżone do obciążenia neurochirurgów w skali NASA-TLX, a głównymi czynnikami były parafrazowanie i status zatrudnienia (Nam i in., Applied Ergonomics 2023). Autorzy sugerują, by napisowcy przeszli do nadzorowania napisów generowanych przez AI zamiast wpisywania każdego słowa. Presję podaży na napisowców czasu rzeczywistego omawiamy w naszym zestawieniu statystyk CART.
Hybrydowe procesy pracy pokazują już wymierne korzyści. CARTGPT, który wykorzystuje duże modele językowe i ASR do korygowania ludzkich transkryptów CART, poprawił dokładność słów o 5,6% względem bazowego CART i o 17,3% względem najlepszego ASR na zbiorze danych liczącym 39,7 godziny (Wu, Kleiver i Jain, ASSETS 2025). Benchmarki pokazują, jak daleko zaszły surowe silniki: najlepszy wynik dla krótkich nagrań w języku angielskim w Open ASR Leaderboard to 5,42% WER, a dla długich nagrań 7,32% (artykuł Open ASR Leaderboard, arXiv 2025, dane z 27 marca 2026).
| Metryka | Wartość | Źródło |
|---|---|---|
| Napisowcy na żywo w badaniu obciążenia | 30 | Nam i in., Applied Ergonomics 2023 |
| Zysk dokładności słów CARTGPT względem bazowego CART / względem ASR | 5,6% / 17,3% | Wu i in., ASSETS 2025 |
| Systemy ASR i zbiory danych w Open ASR Leaderboard | 86 modeli, 12 zbiorów danych | Artykuł Open ASR Leaderboard, arXiv 2025 |
| Najlepszy WER dla krótkich nagrań w języku angielskim w rankingu | 5,42% (Cohere Labs Transcribe) | Artykuł Open ASR Leaderboard, arXiv 2025 |
| WER dla długich nagrań w języku angielskim: najlepszy komercyjny vs Whisper Large v3 | 7,32% vs 11,2% | Artykuł Open ASR Leaderboard, arXiv 2025 |
| Certyfikowane napisy automatyczne, ogólny NER: angielski vs hiszpański | 99,03% vs 98,77% | Romero-Fresco i Van Gauwbergen, Applied Sciences 2025 |
| Zakres WER klinicznych napisów w czasie rzeczywistym dla głuchych i słabosłyszących dorosłych | od 12,7% do 22,8% | Hughes i in., JMIR Rehabilitation and Assistive Technology 2026 |
| Użytkownicy klinicznych napisów, którzy uznali je za łatwe do śledzenia | 90% (26 z 29 symulacji) | Hughes i in., JMIR Rehabilitation and Assistive Technology 2026 |
Uwaga kontekstowa: WER w rankingu mierzy się na dźwięku testowym, a nie na wiadomościach na żywo z wieloma mówcami, przerywaniem sobie i łączami zdalnymi, i nic nie mówi o opóźnieniu. Źródła: artykuł Open ASR Leaderboard, CARTGPT, Nam i in. oraz Hughes i in.. Transkrypcja sądowa wykazuje podobną lukę między dokładnością w benchmarkach a w praktyce, zob. nasze statystyki rozpoznawania mowy w sądach.
Podsumowanie: opóźnienie napisów zamkniętych i współczynnik błędów słów w wiadomościach na żywo w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Napisy ludzkie, wiadomości w USA, dokładność NER | 99,4% | Romero-Fresco i Fresno, 2023 |
| Napisy automatyczne, wiadomości w USA, dokładność NER | 97,4% | Romero-Fresco i Fresno, 2023 |
| Hiszpańskojęzyczne serwisy informacyjne w USA, dokładność NER | 97,04% | Fresno, JoSTrans 2024 |
| Próbki hiszpańskich serwisów powyżej 7 sekund opóźnienia | 85% | Fresno, JoSTrans 2024 |
| Średnie opóźnienie napisów w hiszpańskich serwisach | 8,2 sekundy | Fresno, JoSTrans 2024 |
| Opóźnienie oryginalnych napisów telewizyjnych na żywo w klipach testowych | 7 do 12 sekund | Thompson i in., arXiv 2026 |
| Typowe opóźnienie, napisy automatyczne vs ludzkie | 2-3 s vs 4-10 s | Romero-Fresco i Van Gauwbergen, 2025 |
| Średni WER, napisy telewizyjne vs ASR | 33,8% vs 17,2% | Thompson i in., arXiv 2026 |
| Klipy osiągające 98 NER, TV vs ASR | 11 z 70 vs 4 z 70 | Thompson i in., arXiv 2026 |
| Ocena jakości, opóźnione vs zsynchronizowane napisy telewizyjne | 3,66 vs 5,09 z 7 | Thompson i in., arXiv 2026 |
| Błędy na minutę, stenografia vs napisy automatyczne | 5 vs 22 | Romero-Fresco i Fresno, 2023 |
| Błędy napisów automatycznych pochodzące z interpunkcji | 65% | Romero-Fresco i Van Gauwbergen, 2025 |
| Napisy hiszpańskich serwisów z co najmniej jednym błędem | 41-46% | Fresno, JoSTrans 2024 |
| Brytyjskie napisy na żywo, dokładność ogólna (2013-2015) | 98,4% | Romero-Fresco i Fresno, 2023, cytując projekt Ofcom |
| Skargi do FCC na napisy w TV, 2023 vs 2024 | 310 vs 683 | FCC CGB Consumer Complaints Data |
| Skargi do FCC na napisy w TV, 2025 | 604 | FCC CGB Consumer Complaints Data |
| Skargi na napisy złożone do FCC, 2009-2013 | 2.323 | FCC 14-12 (2014) |
| Obciążenie pracą napisowców na żywo | Zbliżone do obciążenia neurochirurgów | Nam i in., Applied Ergonomics 2023 |
| Najlepszy WER ASR dla długich nagrań w języku angielskim | 7,32% | Artykuł Open ASR Leaderboard, arXiv 2025 |
| Osoby wymagające rehabilitacji z powodu upośledzającej utraty słuchu | 430 milionów | Karta informacyjna WHO, 2026 |
Metodologia i źródła
- Romero-Fresco, P. i Fresno, N.: The accuracy of automatic and human live captions in English, Linguistica Antverpiensia 22 (2023)
- Fresno, N.: Closed Captions en espanol. Live Captioning Quality in Spanish-language Newscasts in the U.S., The Journal of Specialised Translation (2024)
- Romero-Fresco, P. i Van Gauwbergen, Y.: Fit for What Purpose? NER Certification of Automatic Captions in English and Spanish, Applied Sciences 15(3) (2025)
- Thompson, B. i in. (Uniwersytet Gallaudeta): Are Caption Metrics Broken? Latency, Deaf and Hard of Hearing User Ratings, and Bias across Technologies, preprint arXiv (2026)
- Arroyo Chavez, M. i in. (Uniwersytet Gallaudeta): 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)
- FCC: CGB Consumer Complaints Data, zapytanie według kategorii i roku w październiku 2026
- FCC: Closed Captioning Quality Report and Order, FCC 14-12 (2014)
- eCFR: 47 CFR 79.1, Closed captioning of televised video programming
- DCMP: Captioning Key, Presentation Rate
- Esser, K., Picou, E. i Hornsby, B.: Imperfect Captions Paired to Audiovisual Stimuli Improve Speech Recognition but Do Not Reduce Listening-Related Fatigue, American Journal of Audiology (2025)
- Kadoma, K., Shrivastava, P. i Naaman, M.: Lost in Transcription, arXiv (2026)
- Liu, X. i in.: Modeling and Improving Text Stability in Live Captions, CHI Extended Abstracts (2023)
- Nam, S. i in.: Assessing subjective workload for live captioners, Applied Ergonomics (2023)
- Wu, L.-Y., Kleiver, A. i Jain, D.: CARTGPT: Real-Time Correction of CART Captions Using Large Language Models, ASSETS 2025
- Hughes, S. i in.: Assessing the Role of Medical Caption Technology, JMIR Rehabilitation and Assistive Technology (2026)
- Open ASR Leaderboard: Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation, arXiv (2025, wyniki z 27 marca 2026)
- WHO: Deafness and hearing loss fact sheet (2026)
- Uwaga o danych: badanie Gallaudeta o opóźnieniach i metrykach (Thompson i in.) oraz eksperyment Kadoma i in. to preprinty i mogą się zmienić po recenzji. Studia przypadku w pracy Romero-Fresco i Fresno pochodzą z lat 2018-2022, a projekt Ofcom dotyczący napisów na żywo trwał od 2013 do 2015 roku (najnowsze dostępne dane o dokładności w Wielkiej Brytanii). Strony Ofcom i CRTC zwracały podczas badania zabezpieczenia przed botami lub błędy 403, dlatego dane brytyjskie i kanadyjskie cytujemy za recenzowanymi artykułami, które je podają. Wzorzec opóźnienia 6 do 7 sekund oraz dane z Super Bowl LII i debaty 2016 są podane tak, jak zgłosiła je Fresno (2024); sam 47 CFR 79.1 nie wyznacza liczbowego limitu opóźnienia. Liczby skarg do FCC są nieformalne, niezweryfikowane i kategoryzowane przez konsumentów, nie wyodrębniają wiadomości na żywo, a wartość za 2026 rok jest liczona od początku roku; wzrost o 120% to nasze własne obliczenie na podstawie liczb z 2023 i 2024 roku. Badanie hiszpańskojęzycznych serwisów informacyjnych (2024) obejmuje dwie stacje i 200 minut. Wartości WER z rankingu to wyniki benchmarków i nie mierzą opóźnienia wiadomości na żywo.
Ostatnia aktualizacja: 4 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a kolejnego odświeżenia spodziewamy się, gdy badanie Gallaudeta o metrykach napisów zakończy recenzję, a zbiór skarg FCC zamknie rok kalendarzowy 2026.