什么是WER和WERvSE？学习语音识别中的两个重要指标

WER和WERvSE均是语音识别系统中常用的评估指标，其作用是用于衡量语音识别系统的准确性。WER是Word Error Rate的缩写，表示单词错误率。而WERvSE则是WER与系统编辑距离的比值，其中系统编辑距离是指系统识别结果与人工转录结果之间的编辑距离。

在进行语音识别系统测试时，通常会使用一组测试数据集来评估系统性能。测试数据集通常由人工转录的语音录音组成，每条录音都有对应的文本结果，可以与系统进行对比。在进行测试时，系统将录音转识别后生成文本结果，然后与人工转录结果进行比对，计算WER和WERvSE指标。

WER通常用于评估系统的准确性，其计算方式是将系统识别结果中错误单词数量除以人工转录结果中单词总数。在一条语音录音中，人工转录结果为“hello world”，而系统识别结果为“hello worl”，则WER为0.5，即有50%的单词错误率。

而WERvSE则不仅考虑了识别结果中的错误单词数量，还考虑了识别结果与转录结果之间的编辑距离。编辑距离是指将一个字符串转换成另一个字符串所需的最小编辑操作数，如插入、删除、替换字符等。WERvSE的计算方式是将WER除以系统编辑距离，以此来反映识别结果与转录结果之间的相似度。

WER和WERvSE都是非常重要的语音识别评估指标。除了在语音识别系统的性能评估中使用之外，WER和WERvSE也可以作为对语音识别算法的优化和改进提供重要的指导意见。