WER
语音识别领域最核心的评估指标,计算替换、删除、插入错误数之和除以参考文本总词数,WER<5%通常被视为接近人类水平
核心事实
时间轴 (近 90 天)
在 Seed-en 基准上,WaveGen 的词错误率(WER)为 1.47,说话人相似度(SIM)为 0.75。
在KeyASRBench评测中,语言特定的MER/WER区间为5.31%至12.91%,而同一批系统的KER区间为13.61%至33.81%。
归一化WER指在评分前对参考文本和系统输出统一做文本规范化(如数字转写、标点去除、大小写统一),未归一化WER保留原始格式差异。
TID的七系统ROVER集成在未归一化测试集上取得36.25%的WER。
过去十年,深度学习推动 ASR 的词错误率从早期商用系统的 15% 以上降至主流场景的 5% 左右,在安静环境下甚至接近人类水平。
WER 并不能完全代表语音交互的用户体验:专有名词、口音、数字与同音词的处理,以及标点与断句的恢复,都会显著影响下游理解。
相对WER改进的计算公式为:(WER_SFT - WER_GRPO) / WER_SFT × 100%。
OCR 常用字符错误率(CER)和词错误率(WER)作为评测指标;文档 AI 更关注字段级准确率和表格还原的 TEDS 分数。
业界常用说话人相似度(如SECS)和词错误率(WER)作为零样本语音克隆的客观评测指标。
CER 对中文等无空格语言更常用,WER 更适配英文。
还有 36 条时间轴事件
全部知识事实 (20)
词错误率(WER)是语音识别领域最通用的性能指标,计算公式为(替换数+删除数+插入数)/参考文本总词数
90%已验证词错误率(WER)的计算公式为 (替换数 + 删除数 + 插入数) / 参考文本总词数,WER 越低表示转录质量越高
85%已验证Gemini 3.5 Transcribe 是 Gemini 系列在语音处理方向的延伸,主打「精准」与「智能」两大核心能力
85%已验证词错误率(WER)的计算方式是将识别输出与参考文本之间的替换、删除、插入错误数量之和除以参考文本的总词数
80%已验证词错误率(WER)是衡量语音转录准确率的核心指标,计算方式为替换、删除、插入词数之和除以参考文本总词数。
75%已验证词错率(WER)是衡量ASR系统准确性的核心指标,指识别结果中错误词数占参考文本总词数的比例
75%已验证评估语音自然度的主流指标是平均意见得分(MOS),由真人评听员对样本打分(1-5分)
75%已验证OCR 准确率通常使用字符错误率(CER)和单词错误率(WER)两个指标衡量
75%已验证WER对所有词等权对待,不区分关键信息词与填充词的错误,也无法衡量转写结果的可读性和语义准确性
75%已验证早期语音识别主流方案依赖隐马尔可夫模型(HMM),对噪声、口音和多语种混合识别能力有限
75%已验证ASR是将人类语音转换为文本的技术,其核心架构经历了从高斯混合模型-隐马尔可夫模型(GMM-HMM)到端到端深度学习模型的演进
65%已验证词错误率计算公式为 WER = (S + D + I) / N,其中 S 是替换错误数、D 是删除错误数、I 是插入错误数、N 是参考文本的总词数
65%已验证声音漂移是自回归语音生成模型中的已知技术难题,因逐步生成时误差会累积导致音色偏离目标说话者
65%已验证儿童声道更短,导致共振峰频率更高且变异性更大,是儿童ASR识别困难的原因之一
65%待验证当前业界顶尖系统在标准英语测试集 LibriSpeech 上的 WER 已降至 5% 以下
70%待验证Gemini 3.5 Transcribe能自动去除口误、填充词,并识别口误修正只保留最终结果
60%待验证在 Seed-en 基准上,WaveGen 的词错误率(WER)为 1.47,说话人相似度(SIM)为 0.75。
50%待验证在KeyASRBench评测中,语言特定的MER/WER区间为5.31%至12.91%,而同一批系统的KER区间为13.61%至33.81%。
50%待验证TID的七系统ROVER集成在未归一化测试集上取得36.25%的WER。
50%待验证归一化WER指在评分前对参考文本和系统输出统一做文本规范化(如数字转写、标点去除、大小写统一),未归一化WER保留原始格式差异。
50%