理解语音转文字质量：WER 与 CER 详解
Eric King
Author
语音转文字（STT），也称自动语音识别（ASR），已成为现代 AI 应用的核心能力之一——驱动语音助手、呼叫中心分析、智能设备、自动字幕等场景。
随着各行业广泛采用，人们常会问：
如何衡量语音转文字输出的质量？
该领域最主流的两项指标是：
- WER（Word Error Rate，词错误率）
- CER（Character Error Rate，字错误率）
它们看似简单，却直接影响我们如何评估模型、对比引擎以及监控线上表现。本文将说明其含义、如何选择，以及在实际场景中如何解读。
什么是 WER（词错误率）？
WER 是评估具有清晰词边界的语言（如英语、西班牙语、德语、法语）语音识别时最常用的指标。
它衡量与参考转写相比，识别文本中出现了多少错误。
公式
WER = (S + D + I) / N
其中：
- S — 替换（一个词被错成另一个词）
- D — 删除（参考中有词在假设结果中缺失）
- I — 插入（假设结果中多出了参考里没有的词）
- N — 参考文本中的词总数
WER 解读阈值
- 0% → 转写完全正确
- 10–20% → 对许多工业任务可接受
- 20–40% → 常见于嘈杂环境或带口音语音
- 40%+ → 识别质量较差
示例
参考： "The quick brown fox jumps over the lazy dog"
假设： "The quick brown fox jump over lazy dog"
假设： "The quick brown fox jump over lazy dog"
错误：
- 替换（"jumps" → "jump"）
- 删除（"the"）
- 插入 0 次
计算：
WER = (1 + 1 + 0) / 9 = 22.2%
什么是 CER（字错误率）？
CER 在字符层面而非词层面评估转写准确率。
该指标在以下场景尤为重要：
- 中文、日文、韩文（缺乏自然的词间空格）
- OCR（图像文字识别）
- 需要极细粒度评估的模型
公式
CER = (S + D + I) / N_characters
其中（S、D、I）指字符级的替换、删除与插入，N_characters 为参考文本的字符总数。
由于逐字统计，CER 能暴露 WER 可能掩盖的错误——尤其在缺一字即可彻底改变语义的语种中。
WER 与 CER：如何选择？
| 场景 | 推荐指标 | 原因 |
|---|---|---|
| 英语、西班牙语、法语等 | WER | 词是自然语义单位 |
| 中文 / 日文 / 韩文 | CER | 无空格或词界不清；语义核心在字/字符上 |
| OCR 文字识别 | CER | 需要字符级精细准确率 |
| 多语言混合内容 | 两者结合 | 语义与细粒度信息互补 |
| 嘈杂、多说话人数据集 | WER | 更能反映影响可用性的语义类错误 |
为何语音转文字需要稳定评估？
现代 STT 系统——如 Whisper、Deepgram、Google ASR 或自研微调模型——精度越来越高。但若没有一致的评估指标，以下问题将难以回答：
- 哪套模型在我的领域数据上表现最好？
- 线上转写准确率是否会随时间下降？
- 模型更新是改善还是损害了转写质量？
- 背景噪声与口音变化的影响有多大？
WER 与 CER 为团队提供客观手段，用于衡量改进并在规模上跟踪生产质量。
使用 WER / CER 的实用建议
1. 务必先做文本归一化
在计算指标前进行预处理，避免因琐碎差异抬高错误率：
- 大小写统一
- 去除标点
- Unicode 归一化（统一特殊字符）
- 一致的切分方式（对齐词/字边界）
2. 采用分段评估
不要只比对整段段落，应在更小单元上衡量准确率：
- 句子
- 时间对齐的音频片段
- 说话人轮次
这样能精确定位错误（如嘈杂片段、语速过快），便于有针对性地优化模型。
3. 不要过度纠结绝对数值
WER/CER 的微小数值差异未必对应真实可用性差异。例如：
- 模型 A： 7.1% WER
- 模型 B： 6.5% WER
0.6 个百分点的差距往往可忽略——选型前务必试听样本并判断语义是否保留。WER/CER 是近似指标，并非意义保持的完整度量。
语音转文字指标的未来
随着基于大语言模型的 STT 能力增强，传统 WER/CER 仍是基础，但也在出现弥补其局限的新评估方式：
- Semantic Error Rate（SER）： 关注语义而非表面文字（例如是否将 "the cat chased the mouse" 与 "the mouse was chased by the cat" 视为等价）
- Entity Error Rate： 衡量高价值实体（姓名、电话、商品 SKU、关键词）的准确率
- Task Success Rate： 评估转写对下游流程（如呼叫中心工单分流、字幕无障碍）的支撑程度
尽管如此，凭借简单与通用性，WER 与 CER 仍将是音频转写基准测试与 STT 引擎对比的行业标准指标。
结语
WER 与 CER 是评估语音转文字系统简单而有力的工具。无论您在自研 ASR、接入商业 API，还是监控线上转写，这些指标都能以清晰、客观的方式衡量准确率并跟踪长期改进。
对于从事音频数据、自然语言处理或 AI 驱动自动化的人而言，理解 WER 与 CER 至关重要——它们是可靠验证与优化 STT 系统的基石。
