AI科普文章 | 语音识别准不准？—— ASR 效果评测原理与实践

在日常工作、生活中，语音识别技术作为基础服务，越来越多的出现在我们周围，比如智能音箱、会议记录、字幕生成等等。

作为一项已经很成熟AI技术，市面上很多厂商都会提供语音识别服务，对外声称的识别准确性也很高。

对于业务侧的我们，其实更关心的是在我们特定业务场景中的表现如何。

本文将带着大家从原理到实践了解语音识别效果评测的方方面面。

语音识别，又称语音转录文本，是将语音识别成文本的技术。英文名称 Automatic Speech Recognition，通常缩写为 ASR（下文统一用 ASR 指代）。

显然，一个 ASR 服务的好坏，可以用语音识别出的文本准不准来衡量。

而这个准不准，业界通常会用一个指标来量化：字正确率（Word Correct，W.Corr），又称识别正确率。

要理解字正确率，我们首先要搞清另一个指标 WER。

一、指标原理

1.1 WER 公式

WER（Word Error Rate），即词错误率，是一项用于评价 ASR 效果的重要指标，用来衡量预测文本与标注文本之间的错误率。

因为英文语句中最小单位是词（Word），而中文最小单位是汉字（Character），因此在中文语音识别任务中，使用字错率（Character Error Rate， CER）来衡量 ASR 识别效果。

两者的计算方式相同，我们通常在中文领域，也会使用 WER 表示该指标。

WER 的计算公式如下

#Deletions：删除错误字符数

#Insertions：插入错误字符数

#Substitutions：替换错误字符数

#ReferenceWords：总字符数

 1.2 三类错误

整体来看，公式分母是总的字符数，分子是三类错误字符数的加和，下面我们看下这三类错误的含义

为便于描述，约定如下

REF：语音对应的正确文本内容，又称标注文本，即 Reference

HYP：语音通过 ASR 服务识别出的文本，即 Hypothesis

删除错误

语音转录文本过程中，原文中本来包含的文字，ASR 没有识别出来。例子：

语音“你吃了吗”，识别成“你吃了”，其中的“吗”字没有识别出来。

插入错误

语音转录文本过程中，原文中未包含的文字，比如噪音什么的，被 ASR 误识别成文字了。例如：

语音“你吃了吗”，识别成“你吃了