语音识别(ASR)评估指标-WER（字错误率）和SER（句错误率）

前言

实际工作中，一般识别率的直接指标是“WER（词错误率，Word Error Rate）”

定义

WER 字错误率句错误率

为了使识别出来的词序列和标准的词序列之间保持一致，需要进行替换、删除或者插入某些词，这些插入、替换或删除的词的总个数，除以标准的词序列中词的总个数的百分比，即为WER。

公式为：

Substitution——替换

Deletion——删除

Insertion——插入

N——单词数目

SER

SER，SER表述为句子中如果有一个词识别错误，那么这个句子被认为识别错误，句子识别错误的的个数，除以总的句子个数即为SER

其计算公式如下所示：

注意事项

1. WER可以分男女、快慢、口音、数字/英文/中文等情况，分别来看。

2. 因为有插入词，所以理论上WER有可能大于100%，但实际中、特别是大样本量的时候，是不可能的，否则就太差了，不可能被商用。

3. 站在纯产品体验角度，很多人会以为识别率应该等于“句子识别正确的个数/总的句子个数”，即“识别（正确）率等于96%”这种，实际工作中，这个应该指向“SER（句错误率，Sentence Error Rate）”，即“句子识别错误的个数/总的句子个数”。不过据说在实际工作中，一般句错误率是字错误率的2~3倍，所以可能就不怎么看了。

参考文档

AI产品经理需要了解的语音交互评价指标
语音识别评估标准-WER