Amit a számok mutatnak magyarul
2026-ban megjelent egy nagy, magyar nyelvű beszédadatbázison végzett mérés: 255 óra felvétel, 433 beszélő. Ezek a számok jöttek ki belőle.
- A legelterjedtebb, általános célú beszédfelismerő modell spontán magyar beszéden 21 százalék körüli szóhibaarányt produkált.
- Egy magyar adaton finomhangolt modell ugyanezen 13,5–14 százalékot.
- Párbeszédben viszont még a finomhangolt is visszaesett 20 százalék környékére.
- Ezzel szemben az egyik nagy szolgáltató a saját magyar oldalán 5,1 százalékos hibaarányt hirdet.
A két szám nem mond ellent egymásnak: más anyagon mérték őket. Az 5,1 százalék felolvasott, tiszta stúdióbeszéden készült; a 20 százalék valódi, spontán társalgáson. A te felvételed az utóbbihoz áll közelebb.
A felolvasott és a spontán beszéd közti szakadék
Érdemes érteni, miért ekkora a különbség. A felolvasott beszéd tagolt, a mondatok befejezettek, nincs egymásra beszélés, nincs töltelékhang, nincs nyelvbotlás. A spontán beszédben mindez van — plusz a beszélők félbehagyják a mondatot, visszakérdeznek, és egyszerre beszélnek.
A gyakorlati következmény egyszerű: a gyártói pontossági szám a te anyagodra nem érvényes. Ha egy értekezletről, interjúról vagy podcastről készítesz leiratot, számolj minden ötödik-hatodik szónál hibával. Ez nem teszi használhatatlanná az eszközt — attól még óránként másfél óra munkát spórolsz —, de azt jelenti, hogy az átnézés nem opcionális lépés, hanem a munkafolyamat része.
A hallucináció, ami a csendben születik
A hibáknak van egy külön, kellemetlenebb fajtája: amikor a modell nem félrehall, hanem odaír valamit, ami el sem hangzott. Egy nagy, több mint tizenháromezer szegmensen végzett vizsgálat szerint ez a szegmensek nagyjából másfél százalékában fordul elő.
A friss adat viszont ennél sokkal durvább. Egy 2026 szeptemberi mérés szerint nem beszéd jellegű hangnál — zene, zaj, csend, gépzúgás — a hallucináció aránya 21 és 76 százalék között szór, modelltől függően. Vagyis a leiratban a legveszélyesebb helyek épp ott vannak, ahol nem beszél senki: a felvétel elején, a szünetekben, a végén. Ezeket a szakaszokat érdemes célzottan ellenőrizni, mert a kitalált mondat ugyanolyan magabiztosan néz ki, mint a helyes.
A beszélőazonosítás
Ha több beszélő van, a gép megpróbálja szétválasztani őket. Ennek is van magyar mérési adata: a két vizsgált rendszer 15 és 17,5 százalék körüli hibaaránnyal dolgozott.
Ez a gyakorlatban azt jelenti, hogy hat-hét mondatból egy rossz névhez kerül. Egy értekezlet-összefoglalónál ez komoly gond, mert a „ki mit vállalt" pont ezen múlik. Kétféleképp javítható: a felvételnél mindenki külön mikrofonba beszél, vagy a leirat átnézésénél a beszélőváltásokra figyelsz külön. A második olcsóbb, az első jobb.
A felirat, aminek szabályai vannak
A felirat nem ugyanaz, mint a leirat. A leirat minden szót tartalmaz; a felirat olvasható kell legyen, és ehhez szabványok vannak.
- Sorhossz: legfeljebb 42 karakter soronként.
- Sorok száma: legfeljebb kettő, egyszerre a képen.
- Olvasási sebesség: felnőtt tartalomnál 17 karakter/másodperc, gyerektartalomnál 13 — a hallássérült feliratnál ennél megengedőbb.
- Egy felirat a képen: nagyjából 5-7 másodpercig, ennél hosszabb blokkot bontani kell.
Ez a négy szám az, amitől a felirat profinak látszik. A gépi feliratozók jellemzően a leiratot vágják fel időre, és ezeket a szabályokat nem tartják be — a sorok hosszúak lesznek, és túl gyorsan váltanak.
A munkafolyamat
1. FELVÉTEL: külön mikrofon beszélőnként, ha megoldható.
Ez többet javít a leiraton, mint bármelyik szoftver.
2. LEIRAT gépi eszközzel. Adj meg SZÓLISTÁT, ha a szolgáltató
engedi: cégnevek, terméknevek, kollégák nevei, szakszavak.
3. ÁTNÉZÉS, három célzott körben:
- a csendes és a zenés szakaszok (itt hallucinál)
- a nevek, számok, szakszavak
- a beszélőváltások
4. FELIRAT a javított leiratból, nem a nyersből.
Tördeld 42 karakteres sorokra, maximum kettőre.
5. IDŐZÍTÉS ellenőrzése: ne legyen 17 karakter/másodpercnél
gyorsabb, és ne maradjon 7 másodpercnél tovább a képen.
Tipikus félreértések
- „A gyártó ötszázalékos pontosságot ígér, tehát majdnem tökéletes." Az felolvasott beszédre igaz. Valódi beszélgetésen négyszeres a hibaarány.
- „A hallucináció ritka, elhanyagolható." Beszéd közben ritka. Csendben és zenénél viszont a mérések szerint akár minden második szegmensben.
- „A leirat és a felirat ugyanaz, csak időzítve." Nem: a feliratnak olvashatósági korlátai vannak, amiket a gépi vágás nem tart be.
- „Magyarra úgyis rossz, nem érdemes." De igen: húsz százalékos hibaarány mellett is gyorsabb javítani, mint gépelni. Csak tervezd be az átnézést.
Amit érdemes elvinni
A gépi leirat kiindulás, nem végtermék — főleg magyarul, spontán beszédnél. A három célzott ellenőrzés (csend, nevek, beszélőváltás) a munka nagy részét megfogja, és a feliratnál tartsd a 42 karakteres, kétsoros, 17 karakter/másodperces keretet. Ha a leiratból többnyelvű változat is készül, arról a lipsync és a szinkron poszt szól; ha rövid klipeket vágnál belőle, arról a hosszú videóból rövid klipek poszt.