AI科普文章 | 语音识别准不准？—— ASR 效果评测原理与实践

在日常工作、生活中，语音识别技术作为基础服务，越来越多的出现在我们周围，比如智能音箱、会议记录、字幕生成等等。

作为一项已经很成熟AI技术，市面上很多厂商都会提供语音识别服务，对外声称的识别准确性也很高。

对于业务侧的我们，其实更关心的是在我们特定业务场景中的表现如何。

本文将带着大家从原理到实践了解语音识别效果评测的方方面面。

语音识别，又称语音转录文本，是将语音识别成文本的技术。英文名称 Automatic Speech Recognition，通常缩写为 ASR（下文统一用 ASR 指代）。

显然，一个 ASR 服务的好坏，可以用语音识别出的文本准不准来衡量。

而这个准不准，业界通常会用一个指标来量化：字正确率（Word Correct，W.Corr），又称识别正确率。

要理解字正确率，我们首先要搞清另一个指标 WER。

一、指标原理

1.1 WER 公式

WER（Word Error Rate），即词错误率，是一项用于评价 ASR 效果的重要指标，用来衡量预测文本与标注文本之间的错误率。

因为英文语句中最小单位是词（Word），而中文最小单位是汉字（Character），因此在中文语音识别任务中，使用字错率（Character Error Rate， CER）来衡量 ASR 识别效果。

两者的计算方式相同，我们通常在中文领域，也会使用 WER 表示该指标。

WER 的计算公式如下

#Deletions：删除错误字符数

#Insertions：插入错误字符数

#Substitutions：替换错误字符数

#ReferenceWords：总字符数

1.2 三类错误

整体来看，公式分母是总的字符数，分子是三类错误字符数的加和，下面我们看下这三类错误的含义

为便于描述，约定如下

REF：语音对应的正确文本内容，又称标注文本，即 Reference

HYP：语音通过 ASR 服务识别出的文本，即 Hypothesis

删除错误

语音转录文本过程中，原文中本来包含的文字，ASR 没有识别出来。例子：

语音“你吃了吗”，识别成“你吃了”，其中的“吗”字没有识别出来。

插入错误

语音转录文本过程中，原文中未包含的文字，比如噪音什么的，被 ASR 误识别成文字了。例如：

语音“你吃了吗”，识别成“你吃了吗呀”，其中“呀”字是误识别出的。

替换错误

语音转录文本过程中，原文中包含的文字，被 ASR 错误识别成了其他的文字。例如：

语音“你吃了吗”，识别成“你吃了么”，其中“吗”字识别错了，变成了“么”字。

总结一下

删除错误：识别少了，语音中本来有的字给漏掉了。

插入错误：识别多了，语音中没有的字识别出来了。

替换错误：识别错了，语音中的字识别成其他字了。

理解了这三类错误，回头我们再看上面各个字段，就很好理解了

综上，可见

WER 指的是，通过 ASR 识别出的结果文本中，包含的各类错误（删除、插入、替换）的字符数，与原始文本总数相比，所占的比例值。

现在我们已经理解了 WER 这个指标，接下来我们看下通过什么方式进行计算，才能得出这些值。

1.3 编辑距离

在识别结果文本和标注文本给出的情况下，#ReferenceWords 总字符数很容易得到，而三类错误的数量，我们需要通过“编辑距离”的引入来计算。

WER 公式中的分子部分，也就是

即为识别结果文本到标注文本的编辑距离。

也就是我们只要求得识别结果文本，到标注文本的编辑距离，除以标注文本字符数，就可以得出 WER 指标了。

下面我们具体看下什么是编辑距离，他是怎么计算得到的。

编辑距离（Edit Distance），是由俄罗斯科学家弗拉基米尔·莱文斯坦（Vladimir Levenshtein）于 1965 年提出，又被称为莱温斯坦距离（Levenshtein distance）。

编辑距离用于衡量两个字符串之间的相似度，被广泛应用于 DNA 序列对比、拼写检测、错误率计算等领域。

测量方式是看至少需要多少次处理，才能将一个字符串转变为另一个字符串。其中每次处理，称作一次编辑操作，包含三种：

• 删除，删除一个字符
• 插入，插入一个字符
• 替换，替换一个字符

可以看到，这里的编辑操作，正好对应了上述讨论的三类错误。

编辑距离越短，两个文本越相似；编辑距离越长，两个文本越不同。

编辑距离可以通过如下公式计算得到：

通过上述公式，计算出识别结果文本，变换到到标注文本的最小编辑操作次数，即可得到其编辑距离。

熟悉算法的同学应该知道，通过调整不同操作的序列和数量，计算总次数的最小值，是一个典型的动态规划（Dynamic Programming，简称 DP）问题。

不过这个已经超出本文主题的范围，对 DP 算法感兴趣的同学，可以参考如下资料进一步了解：

• 编辑距离算法与使用场景
• 经典动态规划：编辑距离
• 72. Edit Distance（考察编辑距离的编程题，熟悉编程的同学可以挑战下）

1.4 WER 计算

小结一下，计算 WER，可以计算从识别结果到标注文本的编辑距离，再带入下列公式得到

其中各参数如下

1.5 字正确率

好，现在我们回到最初提到的字正确率（Word Correct），这个指标指什么，和 WER 又是什么关系呢？

字正确率和 WER 相比，计算中忽略了插入错误字符数，也就是没有把插入错误纳入错误统计当中。

在实际系统中，上游 ASR 的识别结果，会被下游任务分析模块进一步处理，插入错误的文本会被处理掉，所以只需考察语音中包含的文本，被正确识别出的比例即可，也就是字正确率。

因此，业界厂商通常也把字正确率，与 WER 一起提供，用于衡量 ASR 识别效果。

1.6 开源工具

到此，我们已经理解了 WER 指标、字正确率指标，以及背后的原理与算法。

在产业界，为了避免不同实现造成的指标数据不一致的情况，让各个厂商便于对比各自的数据，大家通常采用开源工具来计算。

这里，我们使用的是美国国家技术研究所 NIST 开源的 Sclite 作为计算工具。

工具通过输入 识别结果文本、标注文本，可以计算得出对应的 WER，三类错误数及对应的详情。

工具使用

通过提供满足特定格式（trn）的识别结果文件、标注文本文件，sclite 可以计算生成包含 WER、字正确率，以及三类错误信息在内的详细评测报告（dtl）。

a. 调用命令示例

# 命令格式 sclite -r reffile [ fmt ] -h hypfile [ fmt [ title ] ] OPTIONS
./bin/sclite -r /corpus/audio_file/16k_60s_all_100.trn trn -h /data/output/16k_zh-PY-16k_60s_all_100.trn trn -i spu_id -o dtlb

标注文件：/corpus/audio_file/16k_60s_all_100.trn

识别结果：/data/output/16k_zh-PY-16k_60s_all_100.trn

b. 评测报告示例（dtl）

附：感兴趣的同学可以通过如下官网链接获取 NIST Tools

二、评测实践

网上流行一句话，知道了很多道理，却仍然过不好这一生。知易行难。

同样，我们尽管了解了 ASR 效果指标、原理以及开源工具，但可能仍然感觉无处下手。

为了降低测试门槛，方便客户简单快捷地评估自己业务场景在 腾讯云 ASR 服务 上的识别效果，腾讯云 AI 应用团队打造了 AI Studio 一键评测工具，让用户可以零基础完成评测。

现在处于内测过程中，让我们看下如何使用。

2.1 界面预览

AI Studio 官网链接：https://aistudio.cloud.tencent.com/

打开官网，看到如下页面。

点击右上角【登录】，会跳转到腾讯云官网的登录页面，使用云官网账号登录。

第一栏，是评测服务选项，这里我们选择【语音识别】，最右侧的下拉框中包含两个语音识别接口：录音文件识别、实时语音识别；

由于算法模型针对这两个业务场景，分别做了针对性优化，这里只需选择自己使用的接口即可。

第二栏，说明了如何创建测试集，以及标注文件时的注意事项。

第三栏，是提交测试任务时，需要选择的字段，这里保持和测试音频元信息一致即可。

2.2 操作指引

下面我们通过一个实例，展示下如果进行一次评测流程。

a. 准备评测语料

点击页面模板链接，查看测试集的格式样例：

测试语料包含两部分：

• 音频文件：业务场景中收集的音频数据，采样率为 8k 或 16k
• 标注文件：通过人工方式，将音频中包含的人声发言，记录到文本文件中

其中，标注文件中数字，需要标识为中文大写形式，例如文本“小明考了98分”，需要标注为“小明考了九十八分”

其他注意事项，参考页面：

b. 提交评测任务

下面新建评测任务

第一步：选择相应参数

根据音频信息，选择对应的识别语言、音频采样率

不同引擎类型，已针对特定场景进行优化，在匹配场景下拥有更好的识别效果，这里选择最适合的引擎类型即可，如下

第二步：上传标注测试集

将准备好的测试集，压缩打包，通过页面上传

第三步：检查标注测试集内容

这里系统会解析上传测试集，将音频与标注文本对应后，展示在页面上，供用户进行检查确认（由于测试结果与标注文本的准确性直接相关，需要确保标注文件的正确）。

点击确认提交，完成评测任务的创建。

c. 获取评测结果

任务执行过程中，可通过评测页底部的评测任务管理列表，查看任务状态。

任务状态显示【成功】后，点击右侧【查看结果】，即可查看评测结果：

可以看到评测效果指标字准率（即上述字正确率）、WER、插入/删除/替换错误率。

同时，也可点击下面的下载地址，获取评测报告和识别结果文件，进行进一步分析。

附录

• AI Studio 官网地址：https://aistudio.cloud.tencent.com/
• 腾讯云 ASR 官方文档：https://cloud.tencent.com/document/product/1093
• NIST 开源工具：https://www.nist.gov/itl/iad/mig/tools