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)
对于编码器-解码器模型，直接的双语微调在原始WER指标上表现最强
一个务实的做法是先用标准激活函数训练出稳定基线，再逐步替换为PReLU或可训练Swish等轻量级方案，通过A/B对比验证是否改善WER
LLM评判的过滤策略比内部指标更为激进，并在巴尔的摩和芝加哥两个BPC语料库上显著降低了伪标签训练集的词错误率（WER）
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
在多人重叠发言或强噪声场景中，ASR的WER可飙升至30%以上
主流商用ASR在安静环境下的WER可低至3%-5%
音频维度评分涉及首次响应延迟（TTFF）、端到端延迟、语音合成自然度（MOS分）和背景噪声下的ASR识别错误率（WER）
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）
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
在Code-switching（语言混合切换）场景下，当前最优语音识别模型的词错误率（WER）仍在15-25%之间，而英语单语场景WER在5%以内
还有 12 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
75%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
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%待验证对于编码器-解码器模型，直接的双语微调在原始WER指标上表现最强
50%待验证一个务实的做法是先用标准激活函数训练出稳定基线，再逐步替换为PReLU或可训练Swish等轻量级方案，通过A/B对比验证是否改善WER
50%待验证LLM评判的过滤策略比内部指标更为激进，并在巴尔的摩和芝加哥两个BPC语料库上显著降低了伪标签训练集的词错误率（WER）
50%待验证词错率（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
50%待验证在多人重叠发言或强噪声场景中，ASR的WER可飙升至30%以上
50%待验证主流商用ASR在安静环境下的WER可低至3%-5%
50%待验证音频维度评分涉及首次响应延迟（TTFF）、端到端延迟、语音合成自然度（MOS分）和背景噪声下的ASR识别错误率（WER）
50%待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）
50%待验证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
50%待验证在Code-switching（语言混合切换）场景下，当前最优语音识别模型的词错误率（WER）仍在15-25%之间，而英语单语场景WER在5%以内
50%待验证在真实复杂场景（远场麦克风、多人重叠对话、强背景噪声）下 WER 可能飙升至 20%-40%
50%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
50%