Phụ đề trực tiếp trên truyền hình Anh trễ so với lời nói trung bình 5,1 đến 5,8 giây trong các đợt đo của Ofcom, và chỉ 4 trong 72 mẫu của đợt thứ hai đạt hướng dẫn cũ 3 giây (Ofcom, các báo cáo về chất lượng phụ đề trực tiếp 2014-2015). Vấn đề vẫn chưa biến mất: một nghiên cứu năm 2024 về các bản tin tiếng Tây Ban Nha tại Mỹ đo được độ trễ trung bình 8,2 giây, trong đó có phụ đề trễ tới 41 giây (Fresno, JoSTrans 2024), và một nghiên cứu tháng 9 năm 2026 đo được trung bình 8,46 giây trên các đoạn truyền hình trực tiếp tại Mỹ. Trong khi đó, các công cụ nhận dạng giọng nói streaming hiện báo cáo độ trễ từ trung vị gần 300 mili giây (AssemblyAI, tháng 6 năm 2025), nên điểm nghẽn của phụ đề trực tiếp đang dịch chuyển từ người đánh máy sang chuỗi phát sóng. Chúng tôi tổng hợp dữ liệu từ Ofcom, FCC, CRTC, các nghiên cứu bình duyệt của Đại học Gallaudet và Universidade de Vigo, các bài báo benchmark trên arXiv, hồ sơ ASX của Ai-Media, WHO và các nguồn gốc khác được liệt kê trong phần phương pháp luận. Để có bức tranh rộng hơn, hãy xem bài tổng hợp thống kê phụ đề trực tiếp của chúng tôi.
Tóm tắt nhanh
- Độ trễ trung bình của phụ đề trực tiếp tại Anh giảm từ 5,7 xuống 5,1 giây giữa tháng 4-5 và tháng 10-11 năm 2014, vẫn cao hơn nhiều so với hướng dẫn 3 giây (Ofcom, báo cáo phụ đề trực tiếp lần thứ ba, 2015).
- Chỉ 4 trong 72 mẫu tại Anh đạt hướng dẫn 3 giây ở đợt thứ hai, và độ trễ dài nhất lên tới 21 giây (Ofcom, báo cáo thứ hai, 2014).
- Ofcom hiện yêu cầu độ trễ trung bình không quá 4,5 giây trên các chương trình trực tiếp (Ofcom Guidelines on Providing TV and On-Demand Access Services).
- Các bản tin tiếng Tây Ban Nha tại Mỹ có độ trễ phụ đề trung bình 8,2 giây, và 20% phụ đề đến muộn hơn 10 giây (Fresno, JoSTrans 42, 2024).
- Phụ đề truyền hình giữ độ trễ phát sóng gốc (trung bình 8,46 giây) được chấm 3,66/7, so với 5,09/7 khi đồng bộ (Thompson và cộng sự, arXiv 2609.11408, 2026).
- Phụ đề trực tiếp tại Anh đạt trung bình 98,38% độ chính xác NER qua bốn đợt của Ofcom, trên ngưỡng 98% (dữ liệu Ofcom qua Moores, JoSTrans 33).
- Các bản tin quốc gia tiếng Anh tại Mỹ đạt trung bình 98,8% độ chính xác NER (Fresno, Universal Access in the Information Society, 2024).
- Một hệ thống phụ đề tự động đạt 98,56% NER với tiếng Anh và 98,26% với tiếng Tây Ban Nha (Romero-Fresco và Van Gauwbergen, 2025).
- AssemblyAI báo cáo độ trễ streaming trung vị 307 ms, so với 516 ms của Deepgram Nova-3 (AssemblyAI, tháng 6 năm 2025).
- Whisper-Streaming đạt độ trễ trung bình 3,3 giây trên giọng nói tiếng Anh dài (Machacek, Dabre và Bojar, IJCNLP-AACL 2023).
- Con người trả lời một câu hỏi trong trung bình 208 ms qua 10 ngôn ngữ (Stivers và cộng sự, PNAS 2009), đây là chuẩn mực mà các hệ thống thời gian thực đang theo đuổi.
- Phụ đề tự động LEXI của Ai-Media đạt 79,2 triệu phút trong FY25, tăng từ dưới 10 triệu bốn năm trước (kết quả FY25 của Ai-Media, ASX).
1. Độ Trễ Đo Được: Phụ Đề Trực Tiếp Chậm Hơn Lời Nói Bao Xa
Bộ dữ liệu công khai đầy đủ nhất về độ trễ phụ đề trực tiếp vẫn là của Anh, và nó kể một câu chuyện nhất quán: một phụ đề trực tiếp điển hình xuất hiện hơn 5 giây sau khi lời được nói ra. Ofcom đã lấy mẫu các chương trình tin tức, giải trí và trò chuyện của BBC, ITV, Channel 4, Channel 5 và Sky qua bốn đợt trong giai đoạn 2013 đến 2015. Báo cáo đầu tiên ghi nhận độ trễ trung vị 5,6 giây (bản tóm tắt của EPRA về báo cáo đầu tiên của Ofcom, tháng 4 năm 2014), và báo cáo thứ hai ghi nhận 5,8 giây với chỉ 4 trong 72 mẫu nằm trong hướng dẫn 3 giây (bài của Limping Chicken về báo cáo thứ hai của Ofcom, tháng 11 năm 2014).
Sự cải thiện sau đó có thật nhưng nhỏ. Báo cáo thứ ba của Ofcom ghi nhận độ trễ trung bình giảm 0,6 giây, từ 5,7 xuống 5,1 giây, giữa tháng 4-5 và tháng 10-11 năm 2014 (thông cáo báo chí của Ofcom qua Wired-Gov, tháng 5 năm 2015). Cắt giảm nửa giây từ độ trễ năm giây đòi hỏi các đài truyền hình phải thay đổi quy trình làm việc chứ không chỉ phần mềm, đó là lý do con số này đi ngang. Đây là các phép đo độ trễ mới nhất hiện có của Ofcom (2014-2015); chưa có bộ dữ liệu theo từng đài nào mới hơn được công bố.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ trung vị của phụ đề trực tiếp tại Anh, đợt đầu tiên | 5,6 giây | Báo cáo phụ đề trực tiếp đầu tiên của Ofcom, tháng 4 năm 2014 |
| Độ trễ tại Anh, đợt thứ hai | 5,8 giây | Báo cáo thứ hai của Ofcom, tháng 11 năm 2014 |
| Số mẫu đạt hướng dẫn 3 giây, đợt thứ hai | 4 trên 72 | Báo cáo thứ hai của Ofcom, 2014 |
| Độ trễ dài nhất được ghi nhận, đợt thứ hai | 21 giây | Báo cáo thứ hai của Ofcom, 2014 |
| Độ trễ trung bình tại Anh, tháng 4-5 năm 2014 đến tháng 10-11 năm 2014 | 5,7 giây xuống 5,1 giây (-0,6 giây) | Báo cáo thứ ba của Ofcom, tháng 5 năm 2015 |
| Độ trễ trung bình tại Anh qua cả bốn đợt | 5,3 giây | Dữ liệu Ofcom qua Moores, JoSTrans 33 |
| Độ trễ khi không kích hoạt trực tiếp phụ đề soạn sẵn | 7-8 giây | Dữ liệu Ofcom qua Moores, JoSTrans 33 |
Ghi chú bối cảnh: các số liệu theo từng đợt trộn lẫn trung vị và trung bình đúng như đã được báo cáo, vì vậy những chênh lệch nhỏ giữa các đợt (5,6, 5,7, 5,8) không nên bị diễn giải quá mức. Con số 7-8 giây cho các chương trình không có phụ đề soạn sẵn và được kích hoạt cho thấy mức trung bình tại Anh phụ thuộc nhiều vào kịch bản soạn trước chứ không phải vào việc phiên âm thời gian thực.
Bên ngoài nước Anh, độ trễ còn dài hơn. Phụ đề trên các bản tin tiếng Tây Ban Nha tại Mỹ của Telemundo và Univision trễ so với lời nói trung bình 8,2 giây, dao động từ 0,7 đến 41 giây, với 46% phụ đề trễ hơn 8 giây (Fresno, Closed Captions en espanol, JoSTrans 42, 2024). Một nghiên cứu năm 2026 trên các đoạn truyền hình trực tiếp tại Mỹ đo được độ trễ trung bình 8,46 giây (độ lệch chuẩn 3,62) và mô tả 7-12 giây là mức thường gặp đối với phụ đề truyền hình (Thompson và cộng sự, arXiv 2609.11408).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ phụ đề trung bình, bản tin tiếng Tây Ban Nha tại Mỹ | 8,2 giây | Fresno, JoSTrans 42, 2024 |
| Khoảng độ trễ, cùng mẫu | 0,7 đến 41 giây | Fresno, JoSTrans 42, 2024 |
| Phụ đề trễ hơn 8 / 10 / 12 giây | 46% / 20% / 8% | Fresno, JoSTrans 42, 2024 |
| Số phụ đề được phân tích trong nghiên cứu đó | 5.349 (20 đoạn mười phút) | Fresno, JoSTrans 42, 2024 |
| Độ trễ trung bình trên các đoạn truyền hình trực tiếp tại Mỹ | 8,46 giây (độ lệch chuẩn 3,62) | Thompson và cộng sự, arXiv 2609.11408, tháng 9 năm 2026 |
| Độ trễ phụ đề truyền hình Mỹ thường gặp được dẫn | 7-12 giây | Thompson và cộng sự, arXiv 2609.11408, tháng 9 năm 2026 |
| Độ trễ trung bình tại các sự kiện trực tiếp (ngoài phát sóng) dùng phương pháp nói lại | 5,8 giây (khoảng 4,3-7,5 giây) | Moores, JoSTrans 33 |
2. Mục Tiêu Quản Lý: Từ 3 Giây Đến 4,5 Giây
Các cơ quan quản lý đồng ý rằng độ trễ quan trọng, nhưng hầu như không ai đặt ra con số cụ thể. Ofcom là cơ quan quản lý lớn duy nhất trong bài tổng hợp này có mục tiêu độ trễ bằng số, và họ đã dịch chuyển mục tiêu đó theo hướng nới lỏng: từ độ trễ tối đa 3 giây trong Code on Television Access Services sang mức trung bình không quá 4,5 giây trên các chương trình trực tiếp của một nhà cung cấp. Trong đợt tham vấn năm 2023, Ofcom cho biết các đài truyền hình đã gọi mức tối đa 3 giây là phi thực tế và 4,5 giây tương ứng với những độ trễ tốt nhất mà từng đài đã đạt được (Ofcom Guidelines on Providing Television and On-Demand Access Services).
Cách tiếp cận của Mỹ mang tính định tính. FCC đã thông qua các tiêu chuẩn chất lượng phụ đề vào ngày 20 tháng 2 năm 2014, bao gồm độ chính xác, độ đồng bộ, độ đầy đủ và vị trí, và chỉ nêu rằng độ trễ của phụ đề trực tiếp ‘cần được giữ ở mức tối thiểu, phù hợp với việc trình bày chính xác những gì đang được nói’ (FCC, tiêu chuẩn chất lượng phụ đề). Canada điều chỉnh độ chính xác thay vì thời gian: Broadcasting Regulatory Policy 2019-308 của CRTC yêu cầu phụ đề trực tiếp tiếng Anh đạt 98 điểm theo mô hình NER. Hệ quả thực tế là một phụ đề đến muộn 10 giây vẫn có thể hoàn toàn tuân thủ ở phần lớn thế giới.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Hướng dẫn cũ của Ofcom | Độ trễ tối đa 3 giây | Ofcom Code on Television Access Services |
| Hướng dẫn hiện hành của Ofcom | Trung bình không quá 4,5 giây trên các chương trình trực tiếp | Ofcom Guidelines on Providing TV and On-Demand Access Services |
| Hướng dẫn cũ của Ofcom về tốc độ phụ đề: ghi sẵn / trực tiếp | 160-180 từ mỗi phút / 200 từ mỗi phút | Đợt tham vấn 2023 của Ofcom, theo Liam O’Dell |
| Giới hạn độ trễ bằng số của FCC | Không có (độ trễ ‘được giữ ở mức tối thiểu’) | FCC 14-12, được thông qua ngày 20 tháng 2 năm 2014 |
| Lệnh cấm của FCC đối với phụ đề ENT chỉ dùng teleprompter cho chương trình trực tiếp | 4 mạng lớn và các đài liên kết tại 25 thị trường hàng đầu | FCC 14-12 |
| Phụ đề cho các chương trình mới không được miễn trừ (FCC) | 100% kể từ ngày 1 tháng 1 năm 2006 | 47 CFR 79.1 |
| Yêu cầu độ chính xác phụ đề trực tiếp tiếng Anh của CRTC | Điểm NER 98, từ ngày 1 tháng 9 năm 2019 | CRTC 2019-308 |
| Nghĩa vụ giám sát của CRTC | 2 chương trình trực tiếp mỗi tháng, trong đó có 1 chương trình tin tức | CRTC 2019-308 |
Ghi chú bối cảnh: ACMA của Úc, theo Broadcasting Services (Television Captioning) Standard 2023 có hiệu lực từ ngày 1 tháng 10 năm 2023, cũng không đặt ra độ trễ bằng số, và đánh giá khả năng đọc, độ chính xác và khả năng hiểu theo từng trường hợp.
Các quy định mới nhất mở rộng nghĩa vụ sang dịch vụ streaming thay vì siết chặt độ trễ. CRTC 2026-98 của Canada yêu cầu các dịch vụ streaming trực tuyến thêm phụ đề cho 80% danh mục vào tháng 5 năm 2030 và 100% vào tháng 5 năm 2031, với phụ đề cho các chương trình gốc mới, cả trực tiếp lẫn ghi sẵn, trong vòng một năm (CRTC 2026-98, ngày 25 tháng 5 năm 2026). Dự thảo Tier 1 Accessibility Code của Ofcom, công bố ngày 14 tháng 5 năm 2026, đề xuất hạn ngạch phụ đề 80% cho các dịch vụ streaming lớn nhất bốn năm sau khi công bố (Ofcom, đợt tham vấn Tier 1 Accessibility Code).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Phụ đề cho danh mục của dịch vụ streaming tại Canada | 80% vào tháng 5 năm 2030, 100% vào tháng 5 năm 2031 | CRTC 2026-98 |
| Yêu cầu độ chính xác của Canada đối với chương trình gốc ghi sẵn trên dịch vụ streaming | 100% | CRTC 2026-98 |
| Hạn ngạch phụ đề Tier 1 của Ofcom, năm thứ 4 / năm thứ 1 | 80% / 20% | Dự thảo Tier 1 Accessibility Code của Ofcom, tháng 5 năm 2026 |
| Hạn ngạch phụ đề theo yêu cầu của BBC, năm thứ 4 | 90% | Dự thảo Tier 1 Accessibility Code của Ofcom, tháng 5 năm 2026 |
| Ngưỡng Tier 1 | Từ 500.000 người dùng trung bình mỗi tháng tại Anh | Dự thảo Tier 1 Accessibility Code của Ofcom, tháng 5 năm 2026 |
3. Độ Chính Xác: Ngưỡng NER 98% và Ai Vượt Qua
Độ trễ và độ chính xác đánh đổi lẫn nhau, vì vậy các con số về độ trễ chỉ có ý nghĩa khi đặt cạnh các con số về độ chính xác. Thước đo phổ biến là mô hình NER, chấm điểm phụ đề trực tiếp bằng (số từ trừ lỗi biên tập và lỗi nhận dạng) trên số từ. 98% là ‘chấp nhận được’, 98,5-98,99% là ‘tốt’, 99-99,49% là ‘rất tốt’ và trên 99,5% là ‘xuất sắc’ (Romero-Fresco và Martinez, mô hình NER, 2015). Ngưỡng này có vẻ dễ dãi cho đến khi bạn quy đổi ra: ở mức 98%, cứ 100 từ thì có hai từ sai, thiếu hoặc là lỗi có trọng số.
Các đài truyền hình Anh vượt ngưỡng tính trung bình: 98,38% qua bốn đợt của Ofcom và 98,55% ở đợt cuối, đo trên 78.000 phụ đề và 546.000 từ (Moores, JoSTrans 33). Nhưng giá trị trung bình che giấu phần đuôi. Vào tháng 10-11 năm 2014, 77% chương trình tại Anh đạt 98% trở lên, tăng từ 74% vào tháng 4-5 năm 2014, và tin tức là thể loại chính xác nhất với 98,75% (báo cáo thứ ba của Ofcom, 2015). Các bản tin quốc gia tiếng Anh tại Mỹ làm tốt hơn, đạt trung bình 98,8% với 14 trong 20 mẫu được xếp loại chấp nhận được trở lên, trong khi các bản tin tiếng Tây Ban Nha giảm xuống 97,04% (Fresno, 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Ngưỡng NER chấp nhận được / xuất sắc | 98% / trên 99,5% | Romero-Fresco và Martinez, 2015 |
| Độ chính xác phụ đề trực tiếp tại Anh, trung bình bốn đợt | 98,38% | Dữ liệu Ofcom qua Moores, JoSTrans 33 |
| Độ chính xác phụ đề trực tiếp tại Anh, đợt cuối | 98,55% | Dữ liệu Ofcom qua Moores, JoSTrans 33 |
| Chương trình tại Anh đạt 98% trở lên, tháng 10-11 năm 2014 (so với tháng 4-5 năm 2014) | 77% (74%) | Báo cáo thứ ba của Ofcom, 2015 |
| Độ chính xác thể loại tin tức tại Anh | 98,75% | Báo cáo thứ ba của Ofcom, 2015 |
| Bản tin quốc gia tiếng Anh tại Mỹ, NER trung bình | 98,8% (14 trong 20 mẫu chấp nhận được trở lên) | Fresno, Universal Access in the Information Society, 2024 |
| Bản tin tiếng Tây Ban Nha tại Mỹ, NER trung bình | 97,04% (Telemundo 97,00%, Univision 97,10%) | Fresno, JoSTrans 42, 2024 |
| Mức rút gọn văn bản: bản tin tiếng Tây Ban Nha so với tiếng Anh | 26% so với 5-6% | Fresno, JoSTrans 42, 2024 |
Ghi chú bối cảnh: tốc độ là biến số thứ ba ít được chú ý. Ofcom khuyến nghị phụ đề có tốc độ trung bình dưới 180 từ mỗi phút, nhưng hầu hết các chương trình mà họ phân tích đều có những đoạn bùng phát ngắn trên 200 từ mỗi phút, và khi những đoạn đó được tính là lỗi, 68% chương trình rơi xuống dưới 98% (báo cáo thứ ba của Ofcom, 2015). Nghiên cứu về bản tin tiếng Anh tại Mỹ cho thấy gần hai phần ba số lỗi là lỗi nhỏ.
4. Độ Trễ Gây Thiệt Hại Gì Cho Người Xem
Khán giả của phụ đề trực tiếp rộng hơn nhiều so với riêng cộng đồng người điếc. Ofcom ước tính khoảng 7,6 triệu người trưởng thành tại Anh đã từng dùng phụ đề, trong đó chỉ 1,4 triệu người bị suy giảm thính lực (thông cáo báo chí của Ofcom qua Wired-Gov, tháng 5 năm 2013). Điều đó có nghĩa là hơn 6 triệu người dùng phụ đề không bị suy giảm thính lực (7,6 triệu trừ 1,4 triệu), nhiều người trong số họ xem ở nơi ồn ào hoặc để âm lượng nhỏ. Hướng dẫn của Ofcom cũng trích dẫn dữ liệu YouGov cho thấy 61% người từ 18-24 tuổi thích bật phụ đề. Trên phạm vi toàn cầu, WHO ước tính 430 triệu người hiện cần phục hồi chức năng do mất thính lực gây tàn tật, tăng lên hơn 700 triệu vào năm 2050.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người trưởng thành tại Anh đã từng dùng phụ đề | Khoảng 7,6 triệu (khoảng 7,0-8,1 triệu) | Ofcom, tháng 5 năm 2013 |
| Trong số đó, người bị suy giảm thính lực | Khoảng 1,4 triệu (khoảng 1,2-1,6 triệu) | Ofcom, tháng 5 năm 2013 |
| Người từ 18-24 tuổi tại Anh thích bật phụ đề | 61% | YouGov, được dẫn trong hướng dẫn dịch vụ tiếp cận của Ofcom |
| Tỷ lệ giờ chương trình có phụ đề của các đài PSB và dịch vụ theo yêu cầu lớn tại Anh, 2024 | 88% | Ofcom Access Services Report, tháng 1-12 năm 2024 (công bố ngày 19 tháng 5 năm 2025) |
| Số giờ có phụ đề trên các kênh bắt buộc tại Anh, 2005 so với 2013 | 40,5% so với 81,9% | Báo cáo phụ đề trực tiếp đầu tiên của Ofcom, 2014 |
| Số người cần phục hồi chức năng do mất thính lực gây tàn tật | 430 triệu | Tờ thông tin của WHO, cập nhật tháng 3 năm 2026 |
| Số người dự kiến bị mất thính lực ở mức nào đó vào năm 2050 | Gần 2,5 tỷ | Tờ thông tin của WHO, cập nhật tháng 3 năm 2026 |
Độ trễ là điều người xem nhận ra đầu tiên. Nghiên cứu người dùng gần đây lớn nhất đã yêu cầu 216 người xem điếc và nghe kém chấm điểm 70 đoạn truyền hình trực tiếp trong bốn điều kiện, tạo ra 4.832 lượt đánh giá. Chính các phụ đề truyền hình đó được chấm 3,66 trên 7 với độ trễ phát sóng gốc và 5,09 khi được đồng bộ, một mức chênh lệch rộng hơn nhiều so với khoảng cách giữa phụ đề truyền hình đồng bộ và phụ đề ASR (Thompson và cộng sự, Are Caption Metrics Broken?, arXiv 2609.11408, tháng 9 năm 2026). Phụ đề ASR với độ trễ hai giây giữ vững tốt hơn nhiều, ở mức 4,81 so với 5,20 khi đồng bộ.
Nghiên cứu này cũng làm suy yếu quan điểm cho rằng điểm số độ chính xác phản ánh được chất lượng. Chỉ 11 trong 70 đoạn truyền hình và 4 trong 70 đoạn ASR đạt ngưỡng NER 98, vậy mà người xem chấm phụ đề ASR và truyền hình đã đồng bộ gần như ngang nhau, và mức tương quan giữa các chỉ số và điểm đánh giá giảm mạnh với đầu ra ASR (WER r = -0,390 so với -0,687 đối với phụ đề truyền hình). Nghiên cứu CHI 2024 trước đó của Gallaudet cũng đi đến kết luận tương tự: người tham gia rất không thích độ trễ phát sóng, và các chỉ số độ chính xác tiêu chuẩn chỉ tương quan yếu với cách người xem chấm điểm phụ đề.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Số người tham gia / lượt đánh giá / đoạn | 216 / 4.832 / 70 | Thompson và cộng sự, arXiv 2609.11408, 2026 |
| Điểm phụ đề truyền hình: độ trễ gốc so với đồng bộ (thang 7 điểm) | 3,66 so với 5,09 | Thompson và cộng sự, 2026 |
| Điểm phụ đề ASR: trễ 2 giây so với đồng bộ | 4,81 so với 5,20 | Thompson và cộng sự, 2026 |
| WER trung bình: phụ đề truyền hình so với phụ đề ASR | 33,8% so với 17,2% | Thompson và cộng sự, 2026 |
| NER trung bình: phụ đề truyền hình so với phụ đề ASR | 95,28 so với 94,34 | Thompson và cộng sự, 2026 |
| Số đoạn đạt NER 98: truyền hình so với ASR | 11 trên 70 so với 4 trên 70 | Thompson và cộng sự, 2026 |
| Tương quan của WER với điểm người xem: truyền hình so với ASR | r = -0,687 so với -0,390 | Thompson và cộng sự, 2026 |
Ghi chú bối cảnh: WER cao của phụ đề truyền hình một phần phản ánh việc phụ đề phát sóng diễn đạt lại và cô đọng nội dung, điều mà WER trừng phạt còn NER thì không. Chính khoảng cách đó là lý do các tác giả lập luận rằng các chỉ số hiện tại không trung lập về công nghệ.
5. Tốc Độ Công Cụ ASR: Độ Trễ Streaming so với Hội Thoại Của Con Người
Độ trễ của công cụ nhận dạng không còn là nguồn chính gây trễ phụ đề. AssemblyAI báo cáo độ trễ streaming trung vị 307 ms cho Universal-Streaming so với 516 ms của Deepgram Nova-3, và P99 là 1.012 ms so với 1.907 ms, đo từ lúc một từ kết thúc trong âm thanh đến lần đầu xuất hiện trong bản phiên âm một phần, trên hơn 205 giờ âm thanh (AssemblyAI, Introducing Universal-Streaming, ngày 2 tháng 6 năm 2025). Dữ liệu ra mắt của chính Deepgram cho thấy tỷ lệ lỗi từ streaming trung vị của Nova-3 là 6,84%, so với 14,92% của các đối thủ được thử nghiệm (Deepgram, Introducing Nova-3, tháng 2 năm 2025). Cả hai đều là benchmark của nhà cung cấp và nên được đọc như các con số trong kịch bản tốt nhất. Thống kê chuyển giọng nói thành văn bản của chúng tôi bao quát độ chính xác trên nhiều công cụ hơn.
Các mô hình mã nguồn mở đánh đổi thêm độ trễ để lấy sự ổn định. Hệ thống học thuật Whisper-Streaming đạt độ trễ trung bình 3,3 giây trên giọng nói tiếng Anh dài từ bộ kiểm thử ESIC của Nghị viện châu Âu, và sự đánh đổi thể hiện rõ trong kết quả: WER tiếng Anh 8,5% ở độ trễ 3,27 giây với đoạn 0,5 giây so với 8,0% ở 5,45 giây với đoạn 2 giây (Machacek, Dabre và Bojar, arXiv 2307.14743, IJCNLP-AACL 2023). Lưu ý rằng một cấu hình Whisper 5 giây rơi đúng vào mức trung bình phát sóng của Anh một thập kỷ trước.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ trung vị / P99 của AssemblyAI Universal-Streaming | 307 ms / 1.012 ms | AssemblyAI, tháng 6 năm 2025 |
| Độ trễ trung vị / P99 của Deepgram Nova-3 (thử nghiệm của AssemblyAI) | 516 ms / 1.907 ms | AssemblyAI, tháng 6 năm 2025 |
| WER trung vị của Deepgram Nova-3: streaming / theo lô | 6,84% / 5,26% | Deepgram, tháng 2 năm 2025 |
| Bộ benchmark của Deepgram Nova-3 | 2.703 tệp, 81,69 giờ, 9 lĩnh vực | Deepgram, tháng 2 năm 2025 |
| Độ trễ trung bình của Whisper-Streaming, tiếng Anh | 3,3 giây | Machacek và cộng sự, 2023 |
| Whisper-Streaming tiếng Anh: đoạn 0,5 giây so với đoạn 2,0 giây | WER 8,5% ở 3,27 giây so với WER 8,0% ở 5,45 giây | Machacek và cộng sự, 2023 |
| Độ trễ Whisper-Streaming, tiếng Đức / tiếng Séc (đoạn 0,5 giây) | 4,11 giây / 4,69 giây | Machacek và cộng sự, 2023 |
Trần của thời gian thực được đặt ra bởi hội thoại của con người. Qua 10 ngôn ngữ, khoảng cách trung bình giữa câu hỏi và câu trả lời là +208 ms, dao động từ +7 ms trong tiếng Nhật đến +469 ms trong tiếng Đan Mạch (Stivers và cộng sự, PNAS 2009). Buổi ra mắt GPT-4o của OpenAI tuyên bố phản hồi bằng âm thanh nhanh nhất 232 ms và trung bình 320 ms, so với 2,8 giây (GPT-3.5) và 5,4 giây (GPT-4) của Voice Mode dạng chuỗi trước đó, vốn nối các mô hình phiên âm, ngôn ngữ và giọng nói riêng biệt. Bài học cho phụ đề trực tiếp cũng như vậy: mỗi công đoạn thêm vào chuỗi đều cộng thêm vài giây, và công đoạn từng chiếm ưu thế, tức là chính việc nhận dạng, nay là công đoạn nhỏ nhất.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Khoảng cách trung bình từ câu hỏi đến câu trả lời, 10 ngôn ngữ | +208 ms | Stivers và cộng sự, PNAS 2009 (dữ liệu mới nhất hiện có) |
| Trung bình của ngôn ngữ nhanh nhất / chậm nhất | +7 ms (tiếng Nhật) / +469 ms (tiếng Đan Mạch) | Stivers và cộng sự, PNAS 2009 |
| Phản hồi âm thanh của GPT-4o: tối thiểu / trung bình | 232 ms / 320 ms | OpenAI, tháng 5 năm 2024 |
| Độ trễ trung bình của Voice Mode dạng chuỗi: GPT-3.5 / GPT-4 | 2,8 giây / 5,4 giây | OpenAI, tháng 5 năm 2024 |
| Độ trễ phụ đề ASR dùng trong nghiên cứu người xem năm 2026 | Trung bình 2 giây | Thompson và cộng sự, arXiv 2609.11408 |
6. Tự Động Hóa Tiếp Quản Chuỗi Phụ Đề
Lực lượng lao động con người đứng sau phụ đề trực tiếp bị giới hạn bởi tốc độ. Chuẩn thời gian thực của Mỹ, NCRA Certified Realtime Reporter, yêu cầu bài kiểm tra thời gian thực năm phút ở 200 từ mỗi phút với độ chính xác 96%, và một báo cáo của EBU mô tả phụ đề trực tiếp là việc theo kịp người nói với tốc độ lên tới 200 từ mỗi phút. Những người nói lại (respeaker) tại Anh nói với các nhà nghiên cứu rằng đào tạo cơ bản mất 2-3 tháng, trong khi để cảm thấy tự tin cần 1,5-2 năm (Moores, JoSTrans 33). Những ràng buộc đó là lý do phụ đề tự động mở rộng nhanh đến vậy khi độ chính xác tiến gần.
Sự dịch chuyển về khối lượng thể hiện rõ trong hồ sơ của các công ty. Phụ đề tự động LEXI của Ai-Media đạt 79,2 triệu phút trong FY25, tăng từ dưới 10 triệu bốn năm trước, tương ứng tốc độ tăng trưởng kép hàng năm bốn năm là 69%, và LEXI hiện chiếm phần lớn lượng sử dụng trên mạng iCap của họ (kết quả FY25 của Ai-Media, thông báo ASX, ngày 28 tháng 8 năm 2025). Các sản phẩm công nghệ chiếm 63% doanh thu của Ai-Media, từ con số không năm năm trước. Thử nghiệm độc lập đối với chính hệ thống đó cho thấy độ chính xác NER 98,56% với tiếng Anh và 98,26% với tiếng Tây Ban Nha, ngang với phụ đề do con người thực hiện trừ nội dung hội thoại thông tục có nhiều người nói (Romero-Fresco và Van Gauwbergen, Fit for What Purpose?, 2025). Bạn có thể đọc thêm về khía cạnh con người của nghề này trong thống kê độ chính xác phiên âm tại tòa án của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Tiêu chuẩn thời gian thực NCRA CRR | 200 từ mỗi phút với độ chính xác 96% (bài kiểm tra 5 phút) | NCRA |
| Đào tạo cơ bản cho người nói lại / thời gian để tự tin | 2-3 tháng / 1,5-2 năm | Moores, JoSTrans 33 |
| Số phút phụ đề tự động LEXI của Ai-Media, FY25 | 79,2 triệu | Kết quả FY25 của Ai-Media, ASX |
| Số phút LEXI bốn năm trước | Dưới 10 triệu (tăng trưởng kép hàng năm bốn năm 69%) | Kết quả FY25 của Ai-Media, ASX |
| Tỷ trọng công nghệ trong doanh thu của Ai-Media | 63% (tổng doanh thu 64,9 triệu USD) | Kết quả FY25 của Ai-Media, ASX |
| Độ chính xác NER của phụ đề tự động: tiếng Anh / tiếng Tây Ban Nha | 98,56% / 98,26% | Romero-Fresco và Van Gauwbergen, 2025 |
| Số phụ đề trực tiếp được phân tích để so sánh đầu ra tự động và con người, Anh/Mỹ/Canada 2018-2022 | Khoảng 17.000 | Romero-Fresco và Fresno, Linguistica Antverpiensia 22, 2023 |
Ghi chú bối cảnh: cuộc so sánh giữa con người và máy lớn nhất cho đến nay (Romero-Fresco và Fresno, Linguistica Antverpiensia, 2023) cho thấy phụ đề tự động chưa biên tập tiến gần 98%, với những điểm yếu dai dẳng ở dấu câu, tên riêng, con số và nhận diện người nói. Độ trễ của công cụ thấp hơn không khắc phục được những điều này: một cái tên sai nhưng nhanh vẫn là cái tên sai.
Tổng Kết: Độ Trễ Phụ Đề Trực Tiếp Thời Gian Thực Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ trễ trung bình của phụ đề trực tiếp tại Anh, cuối năm 2014 | 5,1 giây | Báo cáo thứ ba của Ofcom, 2015 |
| Số mẫu tại Anh đạt hướng dẫn 3 giây, đợt thứ hai | 4 trên 72 | Báo cáo thứ hai của Ofcom, 2014 |
| Độ trễ dài nhất được ghi nhận tại Anh | 21 giây | Báo cáo thứ hai của Ofcom, 2014 |
| Hướng dẫn độ trễ hiện hành của Ofcom | Trung bình 4,5 giây hoặc thấp hơn | Hướng dẫn dịch vụ tiếp cận của Ofcom |
| Giới hạn độ trễ bằng số của FCC | Không có | FCC 14-12, 2014 |
| Độ chính xác phụ đề trực tiếp tiếng Anh của CRTC | NER 98 | CRTC 2019-308 |
| Độ trễ phụ đề bản tin tiếng Tây Ban Nha tại Mỹ | Trung bình 8,2 giây | Fresno, JoSTrans 42, 2024 |
| Phụ đề bản tin tiếng Tây Ban Nha tại Mỹ trễ hơn 10 giây | 20% | Fresno, JoSTrans 42, 2024 |
| Độ trễ trung bình trên các đoạn truyền hình trực tiếp tại Mỹ | 8,46 giây | Thompson và cộng sự, arXiv 2609.11408, 2026 |
| Điểm phụ đề truyền hình: bị trễ so với đồng bộ | 3,66 so với 5,09 trên 7 | Thompson và cộng sự, 2026 |
| Độ chính xác phụ đề trực tiếp tại Anh, trung bình bốn đợt | 98,38% | Dữ liệu Ofcom qua Moores, JoSTrans 33 |
| Độ chính xác bản tin quốc gia tiếng Anh tại Mỹ | 98,8% | Fresno, 2024 |
| Độ chính xác phụ đề tự động, tiếng Anh | 98,56% | Romero-Fresco và Van Gauwbergen, 2025 |
| Người trưởng thành tại Anh đã từng dùng phụ đề | Khoảng 7,6 triệu | Ofcom, 2013 |
| Giờ có phụ đề của các đài PSB và dịch vụ theo yêu cầu lớn tại Anh, 2024 | 88% | Ofcom Access Services Report 2024 |
| Độ trễ streaming trung vị của AssemblyAI | 307 ms | AssemblyAI, tháng 6 năm 2025 |
| Độ trễ trung bình của Whisper-Streaming | 3,3 giây | Machacek và cộng sự, 2023 |
| Khoảng cách chuyển lượt lời trung bình của con người | 208 ms | Stivers và cộng sự, PNAS 2009 |
| Số phút phụ đề LEXI của Ai-Media, FY25 | 79,2 triệu | Kết quả FY25 của Ai-Media |
| Phụ đề cho danh mục của dịch vụ streaming tại Canada vào tháng 5 năm 2031 | 100% | CRTC 2026-98 |
Phương Pháp Luận và Nguồn
Mọi con số ở trên đều được truy về cơ quan quản lý, hồ sơ công ty hoặc bài báo bình duyệt đã tạo ra chúng. Một số tệp PDF của Ofcom không thể truy xuất trực tiếp, vì vậy các số liệu về Anh được lấy từ thông cáo báo chí của Ofcom (được đăng lại trên Wired-Gov), các bản tóm tắt của cơ quan quản lý (EPRA) và phân tích bình duyệt về bộ dữ liệu của Ofcom (Moores), mỗi nguồn đều được nêu tên ngay trong bài. Các benchmark của nhà cung cấp được ghi rõ là dữ liệu của nhà cung cấp. Để xem dữ liệu chung về thị trường và mức sử dụng phụ đề, hãy tham khảo thống kê phụ đề của chúng tôi.
- Ofcom: thông cáo báo chí về báo cáo phụ đề trực tiếp lần thứ ba (Wired-Gov, tháng 5 năm 2015), thông cáo báo chí về đợt tham vấn phụ đề trực tiếp (Wired-Gov, tháng 5 năm 2013), Guidelines on Providing Television and On-Demand Access Services, Access Services Report tháng 1-12 năm 2024, đợt tham vấn Tier 1 Accessibility Code (tháng 5 năm 2026)
- EPRA: bản tóm tắt báo cáo phụ đề trực tiếp đầu tiên của Ofcom (tháng 4 năm 2014)
- Limping Chicken: bài về báo cáo phụ đề trực tiếp thứ hai của Ofcom (tháng 11 năm 2014)
- Liam O’Dell: bài về đợt tham vấn quy tắc tiếp cận năm 2023 của Ofcom và đợt tham vấn quy tắc Tier 1
- FCC: tiêu chuẩn chất lượng phụ đề, FCC 14-12 (2014) và 47 CFR 79.1
- CRTC: Broadcasting Regulatory Policy 2019-308 và Broadcasting Regulatory Policy 2026-98
- ACMA / Chính phủ Úc: Broadcasting Services (Television Captioning) Standard 2023
- EBU: báo cáo về dịch vụ tiếp cận và phụ đề trực tiếp (i044) và Tech 3370, EBU-TT Part 3 Live Subtitling
- Thompson, Kushalnagar, Vogler và cộng sự: Are Caption Metrics Broken?, arXiv 2609.11408 (tháng 9 năm 2026); Glasser, Kushalnagar và Vogler: How Users Experience Closed Captions on Live Television, CHI 2024
- Fresno: Closed Captions en espanol, JoSTrans 42 (2024) và Live captioning accuracy in English-language newscasts in the USA (2024)
- Moores: phụ đề trực tiếp tại các sự kiện trực tiếp, JoSTrans 33 (bao gồm phân tích bộ dữ liệu của Ofcom)
- Romero-Fresco và Fresno: The accuracy of automatic and human live captions in English (2023); Romero-Fresco và Van Gauwbergen: Fit for What Purpose? (2025); Romero-Fresco và Martinez: mô hình NER (2015)
- Machacek, Dabre và Bojar: Turning Whisper into Real-Time Transcription System (2023)
- AssemblyAI: Introducing Universal-Streaming (tháng 6 năm 2025); Deepgram: Introducing Nova-3 (tháng 2 năm 2025)
- OpenAI: Hello GPT-4o (tháng 5 năm 2024)
- Stivers và cộng sự: Universals and cultural variation in turn-taking in conversation, PNAS (2009)
- Ai-Media: kết quả FY25, thông báo ASX (tháng 8 năm 2025)
- NCRA: Certified Realtime Reporter
- WHO: tờ thông tin Deafness and hearing loss (cập nhật tháng 3 năm 2026)
- Lưu ý về dữ liệu: các phép đo độ trễ theo từng đài của Ofcom (2013-2015) đã hơn ba năm tuổi và vẫn là bộ dữ liệu công khai mới nhất hiện có thuộc loại này; các đợt đo báo cáo hỗn hợp trung vị và trung bình (5,6, 5,8, 5,7 xuống 5,1, và trung bình bốn đợt là 5,3 qua Moores), vì vậy hãy xem chúng là một khoảng giá trị chứ không phải đường xu hướng. Ước tính của Ofcom về số người dùng phụ đề (7,6 triệu) có từ năm 2013 và dữ liệu chuyển lượt lời của Stivers có từ năm 2009. Các con số của AssemblyAI và Deepgram là benchmark của nhà cung cấp; phép so sánh của AssemblyAI đo một đối thủ trên bộ kiểm thử của chính họ, và các thử nghiệm độc lập về Nova-3 báo cáo WER cao hơn con số của Deepgram. Bài báo năm 2026 của Thompson và cộng sự là bản thảo trên arXiv và chưa được bình duyệt. Con số doanh thu của Ai-Media được trình bày đúng như báo cáo trong thông báo ASX của họ. Hai đánh giá độc lập về cùng một hệ thống tự động báo cáo độ chính xác nổi bật khác nhau tùy độ khó của nội dung, và nghiên cứu người xem năm 2026 cho thấy tỷ lệ đạt NER thấp hơn nhiều trên các đoạn truyền hình trực tiếp, nên độ chính xác tự động phụ thuộc rất nhiều vào thể loại. Quy tắc Tier 1 của Ofcom là một dự thảo đã đóng tham vấn vào ngày 7 tháng 8 năm 2026, và một tuyên bố cuối cùng được kỳ vọng sẽ sớm công bố.
Cập nhật lần cuối: ngày 3 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và đợt làm mới tiếp theo dự kiến diễn ra khi Ofcom công bố tuyên bố cuối cùng về Tier 1 Accessibility Code và Access Services Report cho giai đoạn tháng 1-12 năm 2025.