做人工智能测试，准确一点，做语音聊天机器人、智能音箱等测试，一定会接触到语音误别即ASR （Automatic Speech Recognition）。本篇主要讲ASR的几个最重要的指标字错率、句错率。
1
基础概念
1.1语音识别(ASR) 语音识别（speech recognition）技术，也被称为自动语音识别（英语：Automatic Speech Recognition, ASR），狭隘一点白话说：将语音转换为文字的技术。
维基百科：
1.2句错率(SER) SER，句错误率(Sentence Error Rate)，句子识别错误的的个数，除以总的句子个数即为SER。
计算公式：(下面所有公式省了 * 100%)
SER = 错误句数 / 总句数
1.3句正确率(S.Corr） 句正确率：Sentence Correct，句子识别正确的个数，除以总的句子个数即为S.Corr。
计算公式：
S.Corr = 1 - SER = 正确句数/总句数
1.4字错率(WER/CER) WER：Word error rate，词错率，但一般称为字错率，是语音识别领域的关键性评估指标，WER越低表示效果越好！
CER：Character Error Rate，字符错误率，中文一般用CER表示字错率，原因请见1.4.3。字错率是中文语音识别领域的关键性评估指标，一般认为字错率在低于 3% 时不会影响可读性，而超过 15% 则毫无可读性。
维基百科：
1.4.1 计算原理
算法：字符串编辑距离（Levenshtein距离）算法。
编辑距离
1.4.2 计算公式(重要)
WER=(S+D+I)/N =(S+D+I)/(S+D+H) S 为替换的字数，常用缩写WS
D 为删除的字数，常用缩写WD
I 为插入的字数，常用缩写WI
H 为正确的字数，维基百科是C，但我统一改用H
N 为（S替换+ D删除+ H正确）的字数
Findyou：
1.正确的字数：维基百科里用的是C代表，H = N - (S+D) = C，我这边直接改成H，减少过多概念与变量。
2.大多数文章都没有给出N的计算方式，很容易误以为是原句总字数或者识别结果总字数。
3.不理解没关系，下面实例会帮助理解。
1.4.3 问题
问题1：为什么WER会大于100%
因为有插入字(识别多的字)，所以理论上WER有可能大于100%，在下面实例我会举例（请见2.3.5），但实际场景，特别是大样本量的时候，基本太不可能出现。
问题2：说中文应该用CER，即“字符错误率”（Character Error Rate）
Findyou举个栗子：
1 2 英文：hello # 算一个Word 中文：你好 # 算两个字符 啰嗦文字解释，就是：
英文，因为最小单元是Word，语音识别应该用"字错误率"（WER），
中文，因为最小单元是字符，语音识别应该用“字符错误率”（CER）。
BUT(就是但是的意思…)，他跟我前面那一句一样，说的都是废话！
我们计算的时候谁不是按：中文的一个字符 = 英文的一个Word，那这样用WER的公式有什么问题呢？
谁再跟你咬文嚼字，怼他，使劲怼！
怼完，说回严谨的话，建议采用CER表示中文字错率，哈哈哈哈哈…
1.5字正确率(W.Corr） 字正确率，Word Correct，一般国内宣传用得多，识别率(识别正确率)达到多少多少(请见1.7)。
计算公式：
W.Corr = (N - D - S)/N = H / N 问题：只计算了识别正确的字，没有管多出来的字（I插入），当然一般情况下不会有什么问题。
1.6字准确率(W.Acc） 字准确率，Word Accuracy
计算公式：
W.Acc = 1 - WER = (N - D - S - I)/N = (H - I)/N 特殊情况：当 I=0 时， W.Acc = W.Corr
问题：为什么W.Acc会是负数？
同WER，因为有插入字。换个说法，因为 字准确率 =1 - WER，而WER可能大于1，所以W.Acc会出现负数，但实际情况基本不存在。
1.7聊点其他 ASR影响因素
人群：男、女、老人、小孩…
音量)
距离(与拾音设备的距离)
角度(与拾音设备的角度)
设备(拾音设备的硬件)
环境：安静、嘈杂(自噪、外噪)、家庭、商场…
句长
口音、方言
语速
语言：中文、英语
…
大概举几个因素(懒得放脑图，文字也方便大家拷贝)，
因为ASR的识别影响因素过多，所以很多时候会从各种纬度测试，比如：男生字错率、女生字错率，或者小孩字错率、平均字错率等等，如果没有公布测试数据与方法，不可信，因会存在很多可操作的地方，最大的问题是：
过拟合：训练数据、测试数据、验证数据是同一份，打外比方说：要考试的卷子就是你前一天发的老师发的练习卷还带答案的。
先扯到这，后面找时间再整理一篇ASR测试方法系统讲一讲，做为测试我们如何去测ASR以及制定各种测试标准。
行业水平
英语-WER
IBM：行业标准Switchboard语音识别任务，2016年 6.9%，2017年 5.5%
微软：行业标准Switchboard语音识别任务，2016年 6.3% -> 5.9%，2017年 5.1%，这个目前最低的。
说明：ICASSP2017上IBM说人类速记员WER是5.1%，一般认为5.9% 的字错率是人类速记员的水平。
中文-WER/CER
百度：2016年 短语识别 3.7%
小米：2018年 小米电视 2.81%
中文-W.Acc：
百度：2019年 识别准确率 99%
搜狗：2019年 识别准确率 997%
讯飞：2019年 识别准确率 99%
中文-W.Acc：
百度：2016年 识别准确率 97%
搜狗：2016年 识别准确率 97%
讯飞：2016年 识别准确率 97%
