ในข่าวภาคภาษาสเปนของเครือข่ายโทรทัศน์สหรัฐฯ ตัวอย่างที่วิเคราะห์ 85% เกินเพดานความหน่วงของคำบรรยายที่ 7 วินาที และคำบรรยายโดยเฉลี่ยมาถึงหลังคำพูด 8.2 วินาที (Fresno, JoSTrans 2024) ความแม่นยำก็เล่าเรื่องในทิศทางเดียวกัน ในรายการข่าว ผู้สร้างคำบรรยายที่เป็นมนุษย์ทำได้ความแม่นยำ NER 99.4% ขณะที่คำบรรยายอัตโนมัติที่ไม่ผ่านการแก้ไขทำได้ 97.4% ต่ำกว่าเกณฑ์คุณภาพ 98% (Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023) ในขณะเดียวกัน เรื่องร้องเรียนเกี่ยวกับคำบรรยายแทนเสียงบนทีวีที่ยื่นต่อ FCC เพิ่มจาก 310 เรื่องในปี 2023 เป็น 683 เรื่องในปี 2024 (FCC CGB Consumer Complaints Data) เรารวบรวมข้อมูลจาก FCC นักวิจัยของมหาวิทยาลัย Gallaudet การศึกษา NER ของ Universidade de Vigo และ University of Texas Rio Grande Valley, Open ASR Leaderboard, WHO และบทความที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิกว่าสิบชิ้น สำหรับภาพรวมที่กว้างขึ้นของความหน่วงในรูปแบบสดทั้งหมด ดูสรุปคู่กันของเราเรื่องความหน่วงของคำบรรยายแบบเรียลไทม์
สรุปโดยย่อ
- คำบรรยายของมนุษย์ในข่าวสหรัฐฯ ได้ความแม่นยำ NER 99.4% เทียบกับ 97.4% ของคำบรรยายอัตโนมัติที่ไม่ผ่านการแก้ไข (Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023)
- ข่าวภาษาสเปนในสหรัฐฯ ได้ความแม่นยำ NER เฉลี่ย 97.04% ซึ่งต่ำกว่าเกณฑ์ 98% (Fresno, JoSTrans 2024)
- ตัวอย่างข่าวภาษาสเปน 85% เกินเพดานความหน่วงของคำบรรยายที่ 7 วินาที (Fresno, JoSTrans 2024)
- คำบรรยายทีวีสดดั้งเดิมช้ากว่าเสียงพูด 7 ถึง 12 วินาที ส่วนคำบรรยายอัตโนมัติในการทดสอบเดียวกันช้าประมาณ 2 วินาที (Thompson และคณะ, arXiv 2026)
- ผู้ชมเสียคะแนนคุณภาพประมาณ 1 แต้มต่อความหน่วงของคำบรรยายทีวีทุก 7.5 วินาที (Thompson และคณะ, arXiv 2026)
- มีเพียง 11 จาก 70 คลิปทีวีสด และ 4 จาก 70 คลิป ASR ที่ถึง NER 98% (Thompson และคณะ, arXiv 2026)
- คำบรรยายอัตโนมัติผิดประมาณ 22 ครั้งต่อนาที เทียบกับ 5 ครั้งสำหรับการพิมพ์สเตโนในกรณีศึกษาของสหรัฐฯ ปี 2020 (Romero-Fresco และ Fresno, 2023)
- เรื่องร้องเรียนต่อ FCC เกี่ยวกับคำบรรยายแทนเสียงบนทีวีอยู่ที่ 683 เรื่องในปี 2024 เพิ่มจาก 310 เรื่องในปี 2023 (FCC CGB Consumer Complaints Data)
- 65% ของข้อผิดพลาดทั้งหมดในระบบคำบรรยายอัตโนมัติที่ผ่านการรับรองเป็นข้อผิดพลาดด้านเครื่องหมายวรรคตอน (Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025)
- ภาระงานทางจิตใจของผู้สร้างคำบรรยายสดถูกประเมินว่าใกล้เคียงกับศัลยแพทย์ระบบประสาท ในการศึกษากับผู้สร้างคำบรรยาย 30 คน (Nam และคณะ, Applied Ergonomics 2023)
- ผล ASR ภาษาอังกฤษแบบเนื้อหายาวที่ดีที่สุดบน Open ASR Leaderboard คือ WER 7.32% (บทความ Open ASR Leaderboard, arXiv 2025, ข้อมูล ณ เดือนมีนาคม 2026)
1. ความแม่นยำของคำบรรยายข่าวสด: มนุษย์เทียบกับอัตโนมัติ
ข้อค้นพบหลักจากการเปรียบเทียบมนุษย์กับเครื่องจักรที่ใหญ่ที่สุดจนถึงปัจจุบัน ไม่ใช่ว่าคำบรรยายอัตโนมัติล้มเหลว แต่คือมันล้มเหลวในช่วงที่เฉพาะเจาะจง คำบรรยายอัตโนมัติที่ไม่ผ่านการแก้ไขในข่าวได้ความแม่นยำ NER 97.4% ในกรณีศึกษาของสหรัฐฯ ปี 2021 เทียบกับ 99.4% ของคำบรรยายมนุษย์ในประเภทเนื้อหาเดียวกัน (Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023) ส่วนต่างสองแต้ม NER ฟังดูเล็กน้อย แต่เป็นความต่างระหว่างผ่านกับไม่ผ่าน เกณฑ์ที่ยอมรับได้คือ 98% และคะแนนอัตโนมัตินั้นเทียบเท่าเพียง 3.5 บนมาตรา NER 10 คะแนน
ข่าวกลับกลายเป็นประเภทเนื้อหาที่เป็นมิตรกับเครื่องจักรที่สุดด้วย ในกรณีศึกษาเดียวกัน คำบรรยายอัตโนมัติสำหรับกีฬาตกลงมาที่ 95.4% ขณะที่คำบรรยายมนุษย์สำหรับกีฬาขึ้นไปถึง 99.6% ช่องว่างจึงกว้างขึ้นตรงที่คำพูดเร็วและซ้อนทับกัน การศึกษาวิเคราะห์คำบรรยายสดประมาณ 17,000 รายการจากกรณีศึกษาสี่ชิ้นในสหราชอาณาจักร สหรัฐฯ และแคนาดาระหว่างปี 2018 ถึง 2022
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คำบรรยายมนุษย์ ประเภทข่าวสหรัฐฯ ความแม่นยำ NER | 99.4% | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (กรณีศึกษา Enco, 2021) |
| คำบรรยายอัตโนมัติ ประเภทข่าวสหรัฐฯ ความแม่นยำ NER | 97.4% (3.5 จาก 10) | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (กรณีศึกษา Enco, 2021) |
| การพิมพ์สเตโน เทียบกับการพูดทวน เทียบกับอัตโนมัติ สหรัฐฯ | 99.1% เทียบกับ 98.6% เทียบกับ 96.3% | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (กรณีศึกษา Vitac, 2020) |
| สหราชอาณาจักร: คำบรรยายแบบพูดทวน เทียบกับ Microsoft เทียบกับ Google | 97% เทียบกับ 96% เทียบกับ 95.5% | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (กรณีศึกษา Sky, 2018) |
| คำบรรยายสดโดยมนุษย์ในแคนาดา NER เฉลี่ย | 98.9% (7 จาก 10) | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (แคนาดา, 2019-2021) |
| ขนาดตัวอย่างของแคนาดา | 440 คลิปความยาวสิบนาที, 9,300 คำบรรยาย | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 |
| คำบรรยายสดในสหราชอาณาจักร การประเมินที่ Ofcom ว่าจ้าง ความแม่นยำโดยรวม | 98.4% จาก 78,000 คำบรรยาย | Romero-Fresco และ Fresno, 2023 อ้างอิงโครงการ Ofcom 2013-2015 |
หมายเหตุเชิงบริบท: กรณีศึกษาเหล่านี้มีอายุตั้งแต่ปี 2018 ถึง 2021 จึงเกิดก่อนเครื่องมือรู้จำเสียงพูดรุ่นใหม่ล่าสุด ผู้เขียนกลุ่มเดียวกันรายงานว่าเครื่องมือรุ่นใหม่ทำความแม่นยำ NER ได้ระหว่าง 99.1% ถึง 99.9% ภายใต้เงื่อนไขที่ควบคุมโดยมีผู้พูดคนเดียวและเสียงชัดเจน ซึ่งตรงข้ามกับการรายงานสดข่าวด่วนจากระยะไกล บทความฉบับเต็ม: The accuracy of automatic and human live captions in English ข้อมูลล่าสุดที่มีสำหรับโครงการ Ofcom คือ 2013-2015
2. ความหน่วงในการแสดงคำบรรยายในข่าวสด
ความหน่วงคือจุดที่คำบรรยายข่าวสดเสียผู้ชมไปก่อนที่จะมีคำใดผิดเสียอีก ตัวอย่างข่าวภาษาสเปนในสหรัฐฯ ที่วิเคราะห์ 85% เกินเพดานความหน่วง 7 วินาที (Fresno, JoSTrans 2024) และความหน่วงของแต่ละคำบรรยายอยู่ในช่วง 0.7 ถึง 41 วินาที คำบรรยายที่ช้า 41 วินาทีในช่วงข่าวที่เคลื่อนไหวเร็วกำลังบรรยายเรื่องที่ต่างจากภาพบนหน้าจอ
ฝั่งอัตโนมัติของตลาดมีความได้เปรียบเชิงโครงสร้างตรงนี้ คำบรรยายอัตโนมัติโดยทั่วไปช้ากว่าเสียงพูด 2 ถึง 3 วินาที เทียบกับ 4 ถึง 10 วินาทีสำหรับคำบรรยายมนุษย์ (Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025) การศึกษาของ Gallaudet ปี 2026 วัดความหน่วงของคำบรรยายทีวีดั้งเดิมได้ 7 ถึง 12 วินาทีในคลิปสด ขณะที่เงื่อนไข ASR ซึ่งผลิตโดยผู้ให้บริการด้านการแพร่ภาพ AppTek ทำงานที่เฉลี่ย 2 วินาที (Thompson และคณะ, arXiv 2026) ข้อแลกเปลี่ยนสำหรับผู้แพร่ภาพจึงไม่ใช่ความแม่นยำเทียบกับการไม่มีอะไรเลย แต่คือความแม่นยำเทียบกับเวลา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ความหน่วงของคำบรรยายโดยเฉลี่ย ข่าว Telemundo เทียบกับ Univision | 8.2 เทียบกับ 8.3 วินาที | Fresno, JoSTrans 2024 |
| สัดส่วนตัวอย่างข่าวภาษาสเปนที่เกินความหน่วง 7 วินาที | 85% | Fresno, JoSTrans 2024 |
| ช่วงความหน่วงของแต่ละคำบรรยาย | 0.7 ถึง 41 วินาที | Fresno, JoSTrans 2024 |
| เกณฑ์อ้างอิงความหน่วงที่อ้างถึงสำหรับคำบรรยายของสหรัฐฯ | 6 ถึง 7 วินาทียอมรับได้ 4 ถึง 5 วินาทีเป็นเป้าหมาย | Fresno, JoSTrans 2024 (ตามที่อ้างในการศึกษา) |
| ความหน่วงของคำบรรยายทีวีสดดั้งเดิมในคลิปทดสอบ | 7 ถึง 12 วินาที | Thompson และคณะ, มหาวิทยาลัย Gallaudet, arXiv 2026 |
| ความหน่วงของคำบรรยาย ASR ในการทดสอบเดียวกัน | เฉลี่ย 2 วินาที (บวกลบ 0.05 วินาทีสำหรับความแปรปรวนของเวลา) | Thompson และคณะ, มหาวิทยาลัย Gallaudet, arXiv 2026 |
| ความหน่วงทั่วไป คำบรรยายอัตโนมัติเทียบกับมนุษย์ | 2-3 วินาที เทียบกับ 4-10 วินาที | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| ความหน่วงของคำบรรยาย Super Bowl LII และการดีเบตประธานาธิบดีปี 2016 | 5.3 วินาที และ 6.1 วินาที | Fresno, JoSTrans 2024 (สรุปจากการศึกษาก่อนหน้า) |
หมายเหตุเรื่องค่าผิดปกติ: กฎของ FCC เองไม่มีตัวเลขวินาทีใด ๆ ตัวเลข 6 ถึง 7 วินาทีเป็นเกณฑ์อ้างอิงที่ Fresno รายงานในการศึกษา JoSTrans เรื่องข่าวภาษาสเปน ไม่ใช่ขีดจำกัดที่บัญญัติไว้ (ดูหัวข้อที่ 6)
3. อัตราความผิดพลาดของคำเทียบกับ NER: เหตุใดตัวชี้วัดจึงขัดแย้งกัน
อัตราความผิดพลาดของคำเป็นตัวเลขมาตรฐานในการรู้จำเสียงพูด และมันลงโทษผู้สร้างคำบรรยายที่เป็นมนุษย์ที่ทำหน้าที่ของตน ผู้สร้างคำบรรยายสดมืออาชีพย่อคำพูดให้กระชับเพื่อให้ตามทัน ส่วน WER นับทุกคำที่ถูกตัดทิ้งเป็นข้อผิดพลาด ไม่ว่าความหมายจะยังอยู่หรือไม่ ในการศึกษาของ Gallaudet ปี 2026 คำบรรยายทีวีมี WER เฉลี่ย 33.8% แต่ NER เฉลี่ย 95.28% ขณะที่คำบรรยาย ASR มี WER เฉลี่ย 17.2% และ NER เฉลี่ย 94.34% (Thompson และคณะ, arXiv 2026) เครื่องจักร “ชนะ” ใน WER และแพ้ใน NER
ผลที่สำคัญกว่าคือไม่มีตัวชี้วัดใดที่ติดตามความเห็นของผู้ชมได้เท่ากันในทุกเทคโนโลยี สำหรับคำบรรยายทีวี WER สัมพันธ์กับคะแนนคุณภาพของผู้ชมที่ r = -0.687 (p < .001) แต่สำหรับคำบรรยาย ASR ความสัมพันธ์ลดลงเหลือ r = -0.390 (p = .003) NER แสดงรูปแบบเดียวกัน: r = 0.647 สำหรับทีวี เทียบกับ r = 0.383 สำหรับ ASR หน่วยงานกำกับดูแลที่เลือกตัวชี้วัดเพียงตัวเดียว ก็กำลังเลือกเทคโนโลยีไปด้วยโดยไม่ได้บอกออกมา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| NER เฉลี่ย คำบรรยายทีวีเทียบกับคำบรรยาย ASR | 95.28 เทียบกับ 94.34 | Thompson และคณะ, arXiv 2026 |
| คลิปที่ถึงเกณฑ์ NER 98 ทีวีเทียบกับ ASR | 11 จาก 70 เทียบกับ 4 จาก 70 | Thompson และคณะ, arXiv 2026 |
| สหสัมพันธ์ของ NER กับคะแนนผู้ชม ทีวีเทียบกับ ASR | r = 0.647 เทียบกับ r = 0.383 | Thompson และคณะ, arXiv 2026 |
| สหสัมพันธ์ของ ACE2 กับคะแนนผู้ชม ทีวีเทียบกับ ASR | r = -0.631 เทียบกับ r = -0.291 | Thompson และคณะ, arXiv 2026 |
| คะแนน ACE2 เฉลี่ย ทีวีเทียบกับ ASR (ยิ่งต่ำยิ่งดี) | 0.67 เทียบกับ 0.52 | Thompson และคณะ, arXiv 2026 |
| ขนาดผลของส่วนต่าง WER ทีวีเทียบกับ ASR | d = 0.86 | Thompson และคณะ, arXiv 2026 |
| ขนาดผลของส่วนต่างคะแนนคุณภาพ ทีวีเทียบกับ ASR | d = -0.13 | Thompson และคณะ, arXiv 2026 |
หมายเหตุเชิงบริบท: ผู้ชมให้คะแนนคำบรรยายทีวีและ ASR เกือบเท่ากัน (d = -0.13) ทั้งที่ช่องว่าง WER กว้างมาก (d = 0.86) การศึกษา CHI 2024 ก่อนหน้านี้โดยกลุ่ม Gallaudet เดียวกันพบความสัมพันธ์เพียงเล็กน้อยระหว่าง WER, WER แบบถ่วงน้ำหนัก, ACE และ ACE2 กับคะแนนของผู้ชม (Arroyo Chavez และคณะ, arXiv 2404.10153) บทความปี 2026 เป็นฉบับก่อนตีพิมพ์: Are Caption Metrics Broken?
4. ข้อผิดพลาดของคำบรรยายในทางปฏิบัติเป็นอย่างไร
จำนวนข้อผิดพลาดซ่อนประเภทของข้อผิดพลาดไว้ ในข่าวภาษาสเปนในสหรัฐฯ คำบรรยาย 41% ถึง 46% มีข้อผิดพลาดอย่างน้อยหนึ่งจุด แต่ 82% ของข้อผิดพลาดเหล่านั้นเป็นแบบเล็กน้อย 16% เป็นแบบมาตรฐาน และ 2% เป็นแบบร้ายแรง (Fresno, JoSTrans 2024) ข้อผิดพลาดเล็กน้อยทำให้การอ่านช้าลง ส่วนข้อผิดพลาดร้ายแรงสร้างข้อมูลเท็จ เช่น ตัวเลขผิดในรายงานตลาด
ระบบอัตโนมัติล้มเหลวต่างออกไป ในการรับรอง NER ปี 2025 ของระบบคำบรรยายอัตโนมัติ 65% ของข้อผิดพลาดทั้งหมดมาจากเครื่องหมายวรรคตอน และการระบุตัวผู้พูดทำให้อัตราความผิดพลาดเพิ่มขึ้น 50% ถึง 100% ในวิดีโอที่มีผู้พูดหลายคน (Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025) ผู้สร้างคำบรรยายที่เป็นมนุษย์แก้ไขข้อความ ส่วนเครื่องจักรถอดความตามตัวอักษร อัตราการแก้ไขของระบบอัตโนมัติอยู่ที่ 0.07% เทียบกับ 6% ถึง 33% สำหรับคำบรรยายมนุษย์ในแต่ละภูมิภาค ซึ่งอธิบายได้ทั้งความตรงต่อต้นฉบับตาม WER ที่สูงกว่า และจุดอ่อนในการตามจังหวะของผู้อ่านให้ทัน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คำบรรยายข่าวภาษาสเปนที่มีข้อผิดพลาดอย่างน้อยหนึ่งจุด | 41-46% | Fresno, JoSTrans 2024 |
| สัดส่วนความรุนแรงของข้อผิดพลาด ข่าวภาษาสเปน (เล็กน้อย / มาตรฐาน / ร้ายแรง) | 82% / 16% / 2% | Fresno, JoSTrans 2024 |
| สัดส่วนความรุนแรงของข้อผิดพลาด คำบรรยายอัตโนมัติภาษาอังกฤษ (เล็กน้อย / มาตรฐาน / ร้ายแรง) | 89.2% / 10% / 0.8% | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| สัดส่วนข้อผิดพลาดของคำบรรยายอัตโนมัติที่มาจากเครื่องหมายวรรคตอน | 65% | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| อัตราความผิดพลาดที่เพิ่มขึ้นเมื่อมีผู้พูดหลายคน | 50-100% | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| อัตราการแก้ไข คำบรรยายอัตโนมัติเทียบกับมนุษย์ | 0.07% เทียบกับ 6-33% | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| ข้อผิดพลาดต่อนาที: การพิมพ์สเตโน เทียบกับการพูดทวน เทียบกับอัตโนมัติ | 5 เทียบกับ 7 เทียบกับ 22 | Romero-Fresco และ Fresno, Linguistica Antverpiensia 2023 (Vitac, 2020) |
| การลดทอนข้อความ คำบรรยายข่าวภาษาสเปน | 26% | Fresno, JoSTrans 2024 |
หมายเหตุเชิงบริบท: ความเร็วในการอ่านอธิบายการลดทอนข้อความนี้ ผู้ประกาศข่าวภาษาสเปนพูดเฉลี่ย 167 คำต่อนาที ขณะที่คำบรรยายเฉลี่ย 121 คำต่อนาที (11.574 ตัวอักษรต่อวินาที) และคำบรรยาย 39% เกิน 15 ตัวอักษรต่อวินาที (Fresno, JoSTrans 2024) เพื่อเปรียบเทียบ DCMP Captioning Key กำหนดอัตราการนำเสนอไม่ให้เกิน 160 คำต่อนาที แม้สำหรับสื่อระดับสูง แหล่งข้อมูลการรับรอง: Fit for What Purpose? NER Certification of Automatic Captions
5. ผลกระทบต่อผู้ชม: ความหน่วง ข้อผิดพลาด และความเหนื่อยล้า
ข้อมูลผู้ชมตีราคาให้กับทุกวินาทีที่ล่าช้า คำบรรยายทีวีที่มีความหน่วงจากการแพร่ภาพดั้งเดิมได้คะแนนคุณภาพ 3.66 จาก 7 เทียบกับ 5.09 เมื่อคำบรรยายเดียวกันถูกซิงก์ให้ตรงเวลา และคำบรรยาย ASR ที่หน่วง 2 วินาทียังได้ 4.81 (Thompson และคณะ, arXiv 2026) การศึกษาประมาณว่าเสียคะแนนราวหนึ่งแต้มต่อความหน่วงของคำบรรยายทีวีทุก 7.5 วินาที ผู้เข้าร่วมคนหนึ่งพูดไว้ตรง ๆ ว่าเขาเลือกคำบรรยายที่ไม่ครบแต่ตรงเวลา ดีกว่าคำบรรยายที่ดีกว่าแต่ตามหลัง
ข้อผิดพลาดยังสร้างความเสียหายต่อผู้พูดด้วย ไม่ใช่เฉพาะผู้ชม ในการทดลองที่ลงทะเบียนล่วงหน้ากับผู้เข้าร่วมชาวสหรัฐฯ 207 คน คำบรรยาย ASR ที่มักผิดพลาดทำให้การประเมินทั้งตัวผู้พูดและเนื้อหาลดลงอย่างสม่ำเสมอ (Kadoma, Shrivastava และ Naaman, arXiv 2026) และคำบรรยายที่ช่วยให้เข้าใจก็ยังทำให้ผู้ชมเหนื่อยล้าได้ ในการทดสอบห้องปฏิบัติการด้านโสตวิทยา คำบรรยายที่ไม่สมบูรณ์และมีความหน่วงเพิ่มการรู้จำประโยคจาก 63% เป็น 77% แต่ก่อให้เกิดความเหนื่อยล้าเชิงอัตวิสัยที่เพิ่มขึ้นมากกว่า (Esser, Picou และ Hornsby, American Journal of Audiology 2025)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คะแนนคุณภาพ คำบรรยายทีวีที่หน่วงเทียบกับที่ซิงก์ตรงเวลา (มาตรา 7 คะแนน) | 3.66 เทียบกับ 5.09 | Thompson และคณะ, arXiv 2026 |
| คะแนนความเข้าใจ คำบรรยายทีวีที่หน่วงเทียบกับที่ซิงก์ตรงเวลา | 4.74 เทียบกับ 5.65 | Thompson และคณะ, arXiv 2026 |
| คะแนนที่เสียต่อหน่วยความหน่วงของคำบรรยายทีวี | ประมาณ 1 แต้มต่อ 7.5 วินาที | Thompson และคณะ, arXiv 2026 |
| ผู้ตอบแบบสำรวจที่ใช้คำบรรยายทุกวัน | 84.7% จาก 216 คน | Thompson และคณะ, arXiv 2026 |
| การรู้จำประโยคเมื่อมีเทียบกับไม่มีคำบรรยายที่ไม่สมบูรณ์ | 77% เทียบกับ 63% | Esser และคณะ, American Journal of Audiology 2025 |
| คำพูดที่แสดงถูกต้องในคำบรรยายทดสอบเหล่านั้น | 86-88% | Esser และคณะ, American Journal of Audiology 2025 |
| ผู้เข้าร่วมในการทดลองประเมินข้อผิดพลาดของคำบรรยาย | 207 | Kadoma และคณะ, arXiv 2026 |
| ผู้ชมแบบระดมแรงจากมวลชนในการประเมินความเสถียรของคำบรรยาย | 123 | Liu และคณะ, CHI Extended Abstracts 2023 |
หมายเหตุเชิงบริบท: กลุ่มผู้ชมมีขนาดใหญ่ WHO ประมาณว่ามากกว่า 5% ของประชากรโลก หรือ 430 ล้านคน ต้องการการฟื้นฟูสำหรับการสูญเสียการได้ยินระดับที่ส่งผลต่อการใช้ชีวิต และจะเพิ่มเป็นกว่า 700 ล้านคนภายในปี 2050 (เอกสารข้อเท็จจริงของ WHO เรื่องหูหนวกและการสูญเสียการได้ยิน, 2026) ข้อความ ASR ชั่วคราวที่กะพริบสร้างภาระอีกแบบหนึ่ง Liu และคณะ พบว่าเทคนิคการทำให้ข้อความนิ่งช่วยลดความฟุ้งซ่านและความเหนื่อยล้าของผู้ชม แพลตฟอร์มวิดีโอสั้นเผชิญปัญหาเดียวกันในขนาดที่ต่างออกไป ดังที่ครอบคลุมในสรุปคำบรรยายวิดีโอสั้นของเรา
6. กฎของ FCC และเรื่องร้องเรียนเกี่ยวกับคำบรรยาย
กฎของสหรัฐฯ นิยามคุณภาพด้วยถ้อยคำ ไม่ใช่ตัวเลข ตาม 47 CFR 79.1 คำบรรยายต้องถูกต้อง ตรงเวลา ครบถ้วน และวางตำแหน่งเหมาะสม และ “ต้องเริ่มปรากฏเมื่อคำพูดหรือเสียงที่เกี่ยวข้องเริ่มขึ้น” กฎมีการจำกัดวิธีที่ถูกที่สุดสำหรับข่าวสดจริง ๆ คือ ABC, CBS, Fox และ NBC รวมถึงสถานีในเครือในตลาด 25 อันดับแรก ไม่สามารถนับคำบรรยายแบบ Electronic Newsroom Technique (ENT) ที่อิงเทเลพรอมเตอร์เป็นการปฏิบัติตามกฎได้ สถานีในที่อื่นที่ใช้ ENT ต้องเขียนสคริปต์ล่วงหน้าสำหรับข่าว กีฬา และพยากรณ์อากาศในสตูดิโอ และเสริมข่าวด่วนที่ไม่มีสคริปต์ด้วยข้อความเลื่อนหรือข้อความอื่น ๆ
ข้อมูลเรื่องร้องเรียนแสดงถึงความไม่พอใจที่เพิ่มขึ้น เรื่องร้องเรียนเกี่ยวกับคำบรรยายแทนเสียงบนทีวีในชุดข้อมูลเรื่องร้องเรียนของผู้บริโภคของ FCC เพิ่มจาก 310 เรื่องในปี 2023 เป็น 683 เรื่องในปี 2024 เพิ่มขึ้น 120% ((683 - 310) / 310) และยังคงสูงที่ 604 เรื่องในปี 2025 (FCC CGB Consumer Complaints Data) เรื่องร้องเรียนเกี่ยวกับคำบรรยายทางอินเทอร์เน็ตขึ้นสูงสุดก่อนหน้านั้น ที่ 705 เรื่องในปี 2023
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เรื่องร้องเรียน: คำบรรยายแทนเสียงบนทีวี 2023 / 2024 / 2025 | 310 / 683 / 604 | FCC CGB Consumer Complaints Data (สืบค้นเมื่อตุลาคม 2026) |
| เรื่องร้องเรียน: คำบรรยายแทนเสียงทางอินเทอร์เน็ต 2023 / 2024 / 2025 | 705 / 472 / 339 | FCC CGB Consumer Complaints Data |
| เรื่องร้องเรียนคำบรรยายแทนเสียงบนทีวี ปี 2026 จนถึงปัจจุบัน | 376 | FCC CGB Consumer Complaints Data |
| เรื่องร้องเรียนสะสมตั้งแต่ 31 ตุลาคม 2014: คำบรรยายทีวีเทียบกับอินเทอร์เน็ต | 4,139 เทียบกับ 3,057 | FCC CGB Consumer Complaints Data |
| เรื่องร้องเรียนคำบรรยายทั่วไป 2009-2013 | 2,323 (เฉลี่ย 465 เรื่องต่อปี) | FCC Caption Quality Report and Order, FCC 14-12 (2014) |
| กรอบเวลายื่นเรื่องร้องเรียนคำบรรยาย | 60 วันหลังเกิดปัญหา | eCFR, 47 CFR 79.1(g)(1) |
| กำหนดเวลาที่ผู้จัดจำหน่ายต้องตอบเรื่องร้องเรียนที่ FCC ส่งต่อ | 30 วัน | eCFR, 47 CFR 79.1(g)(4) |
| ระดับรายได้ที่ต่ำกว่านั้นช่องจะได้รับการยกเว้นจากการทำคำบรรยาย | ต่ำกว่า 3,000,000 ดอลลาร์สหรัฐต่อปี | eCFR, 47 CFR 79.1(d)(12) |
หมายเหตุเชิงบริบท: FCC ระบุว่าไม่ได้ตรวจสอบข้อเท็จจริงที่กล่าวอ้างในเรื่องร้องเรียนไม่เป็นทางการเหล่านี้ และหมวดหมู่ถูกเลือกโดยผู้บริโภค ชุดข้อมูลจึงไม่สามารถแยกข่าวสดออกจากรายการประเภทอื่นได้ (CGB Consumer Complaints Data) ตัวเลขปี 2009-2013 มาจากระบบรับเรื่องที่ต่างออกไปซึ่งอธิบายไว้ในคำสั่งว่าด้วยคุณภาพคำบรรยาย FCC 14-12 ดังนั้นไม่ควรอ่านสองชุดข้อมูลเป็นเส้นแนวโน้มเดียวกัน บริการถ่ายทอดสัญญาณสำหรับผู้โทรที่หูหนวกและมีปัญหาการได้ยินเป็นโครงการที่เกี่ยวข้องของ FCC ซึ่งมีรายละเอียดในสถิติ TRS และ VRSของเรา
7. การเปลี่ยนแปลงด้านแรงงานและเทคโนโลยี
ด้านมนุษย์ของการทำคำบรรยายสดกำลังอยู่ภายใต้แรงกดดัน ผู้สร้างคำบรรยายสดสามสิบคนประเมินภาระงานทางจิตใจเชิงอัตวิสัยของตนว่าสูง ใกล้เคียงกับศัลยแพทย์ระบบประสาท บนมาตรา NASA-TLX โดยการเรียบเรียงข้อความใหม่และสถานะการจ้างงานเป็นปัจจัยหลัก (Nam และคณะ, Applied Ergonomics 2023) ผู้เขียนเสนอว่าผู้สร้างคำบรรยายควรเปลี่ยนไปกำกับดูแลคำบรรยายที่สร้างโดย AI แทนที่จะพิมพ์ทุกคำ แรงกดดันด้านอุปทานของผู้สร้างคำบรรยายแบบเรียลไทม์ครอบคลุมในสรุปสถิติ CARTของเรา
เวิร์กโฟลว์แบบผสมผสานแสดงผลประโยชน์ที่วัดได้แล้ว CARTGPT ซึ่งใช้แบบจำลองภาษาขนาดใหญ่และ ASR เพื่อแก้ไขบันทึก CART ของมนุษย์ ช่วยเพิ่มความแม่นยำของคำ 5.6% เหนือ CART พื้นฐาน และ 17.3% เหนือ ASR ล้ำสมัยในชุดข้อมูล 39.7 ชั่วโมง (Wu, Kleiver และ Jain, ASSETS 2025) เกณฑ์มาตรฐานแสดงให้เห็นว่าเครื่องมือดิบก้าวหน้าไปไกลเพียงใด ผลภาษาอังกฤษแบบเนื้อหาสั้นที่ดีที่สุดบน Open ASR Leaderboard คือ WER 5.42% และผลแบบเนื้อหายาวที่ดีที่สุดคือ 7.32% (บทความ Open ASR Leaderboard, arXiv 2025, ข้อมูล ณ วันที่ 27 มีนาคม 2026)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้สร้างคำบรรยายสดในการศึกษาภาระงาน | 30 | Nam และคณะ, Applied Ergonomics 2023 |
| ความแม่นยำของคำที่เพิ่มขึ้นของ CARTGPT เทียบกับ CART พื้นฐาน / เทียบกับ ASR | 5.6% / 17.3% | Wu และคณะ, ASSETS 2025 |
| ระบบ ASR และชุดข้อมูลบน Open ASR Leaderboard | 86 โมเดล, 12 ชุดข้อมูล | บทความ Open ASR Leaderboard, arXiv 2025 |
| WER ภาษาอังกฤษแบบเนื้อหาสั้นที่ดีที่สุดบนลีดเดอร์บอร์ด | 5.42% (Cohere Labs Transcribe) | บทความ Open ASR Leaderboard, arXiv 2025 |
| WER ภาษาอังกฤษแบบเนื้อหายาว: ระบบเชิงพาณิชย์ที่ดีที่สุดเทียบกับ Whisper Large v3 | 7.32% เทียบกับ 11.2% | บทความ Open ASR Leaderboard, arXiv 2025 |
| คำบรรยายอัตโนมัติที่ผ่านการรับรอง NER โดยรวม: ภาษาอังกฤษเทียบกับภาษาสเปน | 99.03% เทียบกับ 98.77% | Romero-Fresco และ Van Gauwbergen, Applied Sciences 2025 |
| ช่วง WER ของคำบรรยายทางคลินิกแบบเรียลไทม์สำหรับผู้ใหญ่ที่หูหนวกและมีปัญหาการได้ยิน | 12.7% ถึง 22.8% | Hughes และคณะ, JMIR Rehabilitation and Assistive Technology 2026 |
| ผู้ใช้คำบรรยายทางคลินิกที่เห็นว่าคำบรรยายตามได้ง่าย | 90% (26 จาก 29 การจำลอง) | Hughes และคณะ, JMIR Rehabilitation and Assistive Technology 2026 |
หมายเหตุเชิงบริบท: WER บนลีดเดอร์บอร์ดวัดจากเสียงเกณฑ์มาตรฐาน ไม่ใช่ข่าวสดที่มีผู้พูดหลายคนพูดแทรกกันและมีสัญญาณจากระยะไกล และไม่ได้บอกอะไรเกี่ยวกับความหน่วงเลย แหล่งข้อมูล: บทความ Open ASR Leaderboard, CARTGPT, Nam และคณะ และ Hughes และคณะ การถอดความในห้องพิจารณาคดีก็แสดงช่องว่างแบบเดียวกันระหว่างความแม่นยำตามเกณฑ์มาตรฐานกับในสนามจริง ดูสถิติการรู้จำเสียงพูดในห้องพิจารณาคดีของเรา
สรุป: ความหน่วงของคำบรรยายแทนเสียงและอัตราความผิดพลาดของคำในข่าวสดในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| คำบรรยายมนุษย์ ข่าวสหรัฐฯ ความแม่นยำ NER | 99.4% | Romero-Fresco และ Fresno, 2023 |
| คำบรรยายอัตโนมัติ ข่าวสหรัฐฯ ความแม่นยำ NER | 97.4% | Romero-Fresco และ Fresno, 2023 |
| ข่าวภาษาสเปนในสหรัฐฯ ความแม่นยำ NER | 97.04% | Fresno, JoSTrans 2024 |
| ตัวอย่างข่าวภาษาสเปนที่เกินความหน่วง 7 วินาที | 85% | Fresno, JoSTrans 2024 |
| ความหน่วงเฉลี่ยของคำบรรยายข่าวภาษาสเปน | 8.2 วินาที | Fresno, JoSTrans 2024 |
| ความหน่วงของคำบรรยายทีวีสดดั้งเดิมในคลิปทดสอบ | 7 ถึง 12 วินาที | Thompson และคณะ, arXiv 2026 |
| ความหน่วงทั่วไป คำบรรยายอัตโนมัติเทียบกับมนุษย์ | 2-3 วินาที เทียบกับ 4-10 วินาที | Romero-Fresco และ Van Gauwbergen, 2025 |
| WER เฉลี่ย คำบรรยายทีวีเทียบกับ ASR | 33.8% เทียบกับ 17.2% | Thompson และคณะ, arXiv 2026 |
| คลิปที่ถึง NER 98 ทีวีเทียบกับ ASR | 11 จาก 70 เทียบกับ 4 จาก 70 | Thompson และคณะ, arXiv 2026 |
| คะแนนคุณภาพ คำบรรยายทีวีที่หน่วงเทียบกับที่ซิงก์ตรงเวลา | 3.66 เทียบกับ 5.09 จาก 7 | Thompson และคณะ, arXiv 2026 |
| ข้อผิดพลาดต่อนาที การพิมพ์สเตโนเทียบกับอัตโนมัติ | 5 เทียบกับ 22 | Romero-Fresco และ Fresno, 2023 |
| ข้อผิดพลาดของคำบรรยายอัตโนมัติที่มาจากเครื่องหมายวรรคตอน | 65% | Romero-Fresco และ Van Gauwbergen, 2025 |
| คำบรรยายข่าวภาษาสเปนที่มีข้อผิดพลาดอย่างน้อยหนึ่งจุด | 41-46% | Fresno, JoSTrans 2024 |
| คำบรรยายสดในสหราชอาณาจักร ความแม่นยำโดยรวม (2013-2015) | 98.4% | Romero-Fresco และ Fresno, 2023 อ้างอิงโครงการ Ofcom |
| เรื่องร้องเรียนคำบรรยายทีวีต่อ FCC 2023 เทียบกับ 2024 | 310 เทียบกับ 683 | FCC CGB Consumer Complaints Data |
| เรื่องร้องเรียนคำบรรยายทีวีต่อ FCC ปี 2025 | 604 | FCC CGB Consumer Complaints Data |
| เรื่องร้องเรียนเกี่ยวกับคำบรรยายที่ยื่นต่อ FCC 2009-2013 | 2,323 | FCC 14-12 (2014) |
| ภาระงานของผู้สร้างคำบรรยายสด | ใกล้เคียงกับศัลยแพทย์ระบบประสาท | Nam และคณะ, Applied Ergonomics 2023 |
| WER ของ ASR ภาษาอังกฤษแบบเนื้อหายาวที่ดีที่สุด | 7.32% | บทความ Open ASR Leaderboard, arXiv 2025 |
| ผู้ที่ต้องการการฟื้นฟูสำหรับการสูญเสียการได้ยินระดับที่ส่งผลต่อการใช้ชีวิต | 430 ล้านคน | เอกสารข้อเท็จจริงของ WHO, 2026 |
ระเบียบวิธีและแหล่งที่มา
- Romero-Fresco, P. และ 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. และ Van Gauwbergen, Y.: Fit for What Purpose? NER Certification of Automatic Captions in English and Spanish, Applied Sciences 15(3) (2025)
- Thompson, B. และคณะ (มหาวิทยาลัย Gallaudet): Are Caption Metrics Broken? Latency, Deaf and Hard of Hearing User Ratings, and Bias across Technologies, ฉบับก่อนตีพิมพ์ arXiv (2026)
- Arroyo Chavez, M. และคณะ (มหาวิทยาลัย Gallaudet): 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 สืบค้นตามประเด็นและปีในเดือนตุลาคม 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. และ 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. และ Naaman, M.: Lost in Transcription, arXiv (2026)
- Liu, X. และคณะ: Modeling and Improving Text Stability in Live Captions, CHI Extended Abstracts (2023)
- Nam, S. และคณะ: Assessing subjective workload for live captioners, Applied Ergonomics (2023)
- Wu, L.-Y., Kleiver, A. และ Jain, D.: CARTGPT: Real-Time Correction of CART Captions Using Large Language Models, ASSETS 2025
- Hughes, S. และคณะ: 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, ผล ณ วันที่ 27 มีนาคม 2026)
- WHO: Deafness and hearing loss fact sheet (2026)
- ข้อสังเกตเกี่ยวกับข้อมูล: การศึกษาความหน่วงและตัวชี้วัดของ Gallaudet (Thompson และคณะ) และการทดลองของ Kadoma และคณะเป็นฉบับก่อนตีพิมพ์ และอาจเปลี่ยนแปลงหลังผ่านการพิจารณาโดยผู้ทรงคุณวุฒิ กรณีศึกษาใน Romero-Fresco และ Fresno มีอายุตั้งแต่ปี 2018 ถึง 2022 และโครงการคำบรรยายสดของ Ofcom ดำเนินการระหว่างปี 2013 ถึง 2015 (ข้อมูลล่าสุดที่มีเกี่ยวกับความแม่นยำในสหราชอาณาจักร) หน้าเว็บของ Ofcom และ CRTC ตอบกลับด้วยการป้องกันบอตหรือข้อผิดพลาด 403 ระหว่างการค้นคว้า ตัวเลขของสหราชอาณาจักรและแคนาดาจึงอ้างผ่านบทความที่ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิซึ่งรายงานตัวเลขเหล่านั้น เกณฑ์อ้างอิงความหน่วง 6 ถึง 7 วินาที รวมถึงตัวเลข Super Bowl LII และการดีเบตปี 2016 เป็นไปตามที่ Fresno (2024) รายงาน ส่วน 47 CFR 79.1 เองไม่ได้กำหนดเพดานความหน่วงเป็นตัวเลข จำนวนเรื่องร้องเรียนต่อ FCC เป็นข้อมูลไม่เป็นทางการ ไม่ได้รับการตรวจสอบ และผู้บริโภคเป็นผู้จัดหมวดหมู่เอง ไม่ได้แยกข่าวสดออกมา และตัวเลขปี 2026 เป็นข้อมูลจนถึงปัจจุบัน การเพิ่มขึ้น 120% เป็นการคำนวณของเราเองจากตัวเลขปี 2023 และ 2024 การศึกษาข่าวภาษาสเปน (2024) ครอบคลุมสองเครือข่ายและ 200 นาที ตัวเลข WER บนลีดเดอร์บอร์ดเป็นผลจากเกณฑ์มาตรฐานและไม่ได้วัดความหน่วงของข่าวสด
อัปเดตล่าสุด: 4 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการอัปเดตครั้งถัดไปจะเกิดขึ้นเมื่อการศึกษาตัวชี้วัดคำบรรยายของ Gallaudet ผ่านการพิจารณาโดยผู้ทรงคุณวุฒิเสร็จสิ้น และชุดข้อมูลเรื่องร้องเรียนของ FCC ปิดปีปฏิทิน 2026