ASR 识别效果，业界通常使用两个指标来衡量：WER、字正确率

一、指标：WER

在学术界，通常使用 WER 来衡量 ASR 系统的识别效果。

WER（Word Error Rate），即词错误率。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 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

其中分母上的值，分别代表了三类错误的字符数。

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“你吃了吗呀”，其中“呀”字是误识别出的。

替换错误

语音转录文本过程中，原文中包含的文字，被 ASR 错误识别成了其他的文字。例如：

语音“你吃了吗”，识别成“你吃了么”，其中“吗”字识别错了，变成了“么”字。

综上，WER 指的是，通过 ASR 识别出的结果文本中，包含的各类错误（删除、插入、替换）的字符数，与标注文本总数相比，所占的比例值。

二、指标：字正确率

与学术界不同，由于产业界适用场景的差异，通常采用另一个更贴合业务使用的指标来衡量，这就是字准确率。

字正确率（Word Correct，W.Corr），通常也称为识别正确率、字准率等。是识别正确的字符数与标注文本总数相比，所占的比例值。

与 WER 不同，字正确率在计算中忽略了插入错误字符数，也就是没有把插入错误纳入错误统计当中。

因为在实际系统中，上游 ASR 的识别结果，会被下游任务分析模块进一步处理，插入错误的文本会在这个环节被处理掉，所以只需考察语音中本来包含的文本，被正确识别出的比例即可，也就是字正确率。

业界厂商通常也把字正确率，与 WER 一起提供，用于衡量 ASR 识别效果。

三、指标示例

下面，是 AI Studio 一个 ASR 评测任务的评测结果：

其中，字准率即为字正确率，WER 为字错误率，报告同时列出了 插入/删除/替换三类错误 分别所占比例。

为了便于进一步针对用户测试集的识别效果进行分析，AI Studio 提供识别结果文件、详细报告的下载。

详细报告示例：