语音识别中的词错误率 (WER) 是什么？ 词错误率 (WER) 是一种用于评估自动语音识别 (ASR) 系统准确性的指标，它通过测量系统转录输出与参考（真实）转录之间的差异来实现。 它计算转录期间错误识别、插入或省略的单词百分比。 WER 的公式为：WER = (替换 + 删除 + 插入) / 参考中的总字数 × 100%。 例如，如果参考转录有 10 个单词，并且 ASR 输出包括 1 个替换（例如，“cat”而不是“cap”），1 个删除（缺失的单词）和 0 个插入，则 WER 将为 (1+1+0)/10 × 100% = 20%。
WER 对开发者为何重要？ WER 提供了一种标准化的方法来比较 ASR 系统或同一系统的迭代。 开发人员使用它来识别弱点，例如特定上下文中的频繁替换（例如，“there”与“their”之类的同音词）或嘈杂环境中的系统删除。 例如，如果语音助手难以处理技术术语，则分析 WER 组件可以指导改进语言模型或声学训练数据。 但是，WER 有其局限性：它平等地对待所有错误，即使在某些应用中替换可能比插入更关键。 此外，如果插入的数量超过参考单词的数量，WER 可能会超过 100%（例如，将“hello”的参考转录为“hello world”会导致 WER = (0+0+1)/1 = 100%）。
实际考虑因素和示例 计算 WER 需要将 ASR 输出与参考转录对齐，通常使用 Levenshtein 距离之类的算法。 诸如 Python 的 jiwer 库之类的工具可以自动执行此对齐。 例如，如果参考是“schedule a meeting at 3 PM”，并且 ASR 输出“schedule meeting at 3 PM”，则删除“a”会导致 WER = 1/5 = 20%。 开发人员必须预处理文本（例如，小写，删除标点符号）以确保公平的比较。 WER 广泛用于研究和行业基准测试中，但应补充特定于任务的指标。 例如，在医疗转录中，诸如“not”与“now”之类的替换可能会大大改变含义，因此需要除 WER 之外的其他语义检查。