字错率 WER 是什么？语音识别最常用的评价指标

字错率（Word Error Rate，WER）是评价语音识别准确度最常用的指标，英文语境下通常叫词错率。它衡量的是识别出来的文字和正确文字（参考文本）之间差了多少：错的字词越少，WER 越低，说明语音识别系统的性能越好。语音合成的评测里，也常把合成语音再识别一遍，用 WER 衡量合成的发音是否准确清晰。

怎么算

WER 计算的是：把识别结果改成参考文本，最少需要多少次编辑，再除以参考文本的总词数。编辑操作有三种：替换，识别成了别的词；删除，参考文本里有、识别结果里漏了；插入，识别结果里多出了参考文本没有的词。公式是：WER 等于替换数加删除数加插入数，再除以参考文本的总词数。这个最少编辑次数用编辑距离算法计算。

举个例子：参考文本是“今天天气很好”（按字计 6 个字），识别结果是“今天天汽好”。“气”被识别成“汽”，算 1 次替换；“很”被漏掉，算 1 次删除。WER 就是 2 除以 6，约等于 33%。

结果通常在 0 到 1 之间，或者用百分比表示，比如 5% 的错误率。0 表示完全正确。需要注意的是，因为可能有大量插入错误，WER 理论上可以超过 100%。

中文常用字错率

英文按单词计算 WER。中文没有天然的空格分词，不同的分词方法会让结果不一致，所以中文语音识别通常按单个汉字来计算，称为字错率（Character Error Rate，CER）。日文等语言也常用 CER。

局限

WER 把所有错误一视同仁：把“不”识别成“布”和把关键的人名识别错，扣分一样，但对意思的影响天差地别。它也对标点、大小写、数字的写法（“5”还是“五”）很敏感，比较不同系统时需要先统一文本的规范。因此在实际评估中，WER 常和语义层面的指标、人工评估一起使用。