语音识别系统的输出文本与人工参考文本之间存在差异时，通常需要一个统一指标来量化差异程度，WER（Word Error Rate，词错率）就是最常用的评价指标。它的核心思想基于编辑距离，也就是把识别结果转换成参考文本最少需要执行多少次编辑操作。这里的编辑操作被限定为三类：替换、删除和插入。替换是指识别结果中的某个词被错误地替换成了另一个词，删除是指参考文本中应有的词在识别结果中缺失了，插入则是指识别结果中多出了参考文本里没有的词。最终将三类错误数量相加，再除以参考文本的总词数，就得到WER。
WER的计算公式为：WER = (S + D + I) / N × 100%。其中S代表替换错误数，D代表删除错误数，I代表插入错误数，N代表参考文本的总词数。需要注意的是分母是参考文本的词数，而不是识别结果词数，也不是两者词数的平均值。这个设计有一定的倾向性，它默认参考文本是标准答案，识别结果需要向参考文本对齐。正因为分母是参考文本词数，在某些情况下WER可以超过100%。比如识别结果非常长，插入了大量无关词，或者参考文本很短时，插入错误数量可能会远超参考文本词数，导致WER大于100%。因此看到WER超过100%并不奇怪，它只是说明识别结果非常差。
理解WER不能只看一个百分比数字，还应该结合参考文本长度和错误分布来分析。举个例子，同样WER为20%，如果错误主要来自插入，说明识别系统倾向于输出冗余内容；如果错误主要来自删除，说明系统可能漏掉了关键信息；如果错误主要来自替换，说明声学模型或者语言模型对某些词的辨识能力不足。定位错误类型有助于后续优化方向的判断。因此在实际工程中，除了计算整体WER，通常还会单独统计S、D、I的数量和占比，形成更细粒度的评估报告。
词错率的计算实现与关键细节
实现WER计算最直接的方法是先计算参考文本和识别文本之间的最短编辑距离。动态规划是经典解法，可以同时得到替换、删除、插入三类错误的具体数量。下面这段Python代码展示了完整流程，输入两个分词后的列表，输出WER以及各错误数量。代码中没有处理标点、大小写和特殊字符，这些需要在调用前完成归一化。
def compute_wer(reference, hypothesis):
ref_len = len(reference)
hyp_len = len(hypothesis)
dp = [[0] * (hyp_len + 1) for _ in range(ref_len + 1)]
for i in range(ref_len + 1):
dp[i][0] = i
for j in range(hyp_len + 1):
dp[0][j] = j
for i in range(1, ref_len + 1):
for j in range(1, hyp_len + 1):
if reference[i - 1] == hypothesis[j - 1]:
dp[i][j] = dp[i - 1][j - 1]
else:
dp[i][j] = min(dp[i - 1][j - 1] + 1,
dp[i - 1][j] + 1,
dp[i][j - 1] + 1)
i, j = ref_len, hyp_len
substitutions = deletions = insertions = 0
while i > 0 or j > 0:
if i > 0 and j > 0 and reference[i - 1] == hypothesis[j - 1]:
i -= 1
j -= 1
elif i > 0 and j > 0 and dp[i][j] == dp[i - 1][j - 1] + 1:
substitutions += 1
i -= 1
j -= 1
elif i > 0 and dp[i][j] == dp[i - 1][j] + 1:
deletions += 1
i -= 1
else:
insertions += 1
j -= 1
wer = (substitutions + deletions + insertions) / ref_len * 100 if ref_len > 0 else 0
return wer, substitutions, deletions, insertions
ref = ["这", "是", "一个", "测试", "句子"]
hyp = ["这是", "一个", "测试", "句子", "啊"]
wer, s, d, i = compute_wer(ref, hyp)
print(f"WER: {wer:.2f}%, S: {s}, D: {d}, I: {i}")
上面的代码首先生成动态规划矩阵，然后通过回溯统计具体的编辑操作。需要注意回溯时优先判断两个词相同的情况，否则就会进入错误分支。对于替换、删除、插入的判断顺序会影响最终统计结果，但只要保证编辑距离最小，三类错误的总数是一致的。实际工程中如果只关心WER数值，可以不需要回溯，直接返回dp[ref_len][hyp_len]除以参考词数即可。不过保留详细错误数量对分析问题更有帮助。
分词规则是WER计算中非常容易忽视的环节。英文可以按空格分词，但需要考虑连字符、缩写、数字和标点是否独立成词。中文则需要借助分词工具，比如结巴分词、斯坦福分词器等。不同分词粒度会产生不同的WER。例如“语音识别”如果被分成“语音”和“识别”两个词，而参考文本中写成“语音识别”一个词，就会被记为一次删除加一次插入，甚至一次替换，导致WER虚高。因此在对比不同系统性能时，必须统一分词规则，最好在报告里注明使用的分词工具和版本。
大小写归一化和标点处理同样会影响结果。英文场景通常会将所有单词转为小写，并去除标点符号，因为大部分语音识别任务不区分大小写，标点也不是核心语义。如果不去除标点，识别结果中逗号、句号、问号的缺失或误插都会被计入插入或删除错误，从而干扰对主要识别能力的判断。数字方面，一般会将阿拉伯数字和英文单词数字统一为一种形式，避免“2024”被识别成“二零二四”导致替换错误。这些预处理步骤应作为评估流程的一部分固定下来，确保每次评测标准一致。
WER可接受范围与行业基准
WER并没有一个绝对统一的可接受标准，因为在不同应用场景下用户对识别错误的容忍度差异很大。对于高质量的朗读语音或者近场麦克风输入，WER通常可以降到5%以下，部分成熟系统甚至能接近1%到3%。但朗读语音不代表真实使用场景，现实中的背景噪声、口音、语速变化、说话人情绪都会显著拉高WER。以电话语音为例，8kHz采样率、信道压缩、噪声干扰等因素使得WER在10%到20%之间已经算是不错的表现。
在会议记录场景中，多人同时说话、声音重叠、距离麦克风远以及领域术语频繁出现，WER往往在15%到30%之间。如果会议中有大量专业名词、人名、地名，比例可能更高。医疗听写系统因为涉及大量专业术语和药物名称，对准确性要求极高，一般期望WER低于5%，否则错误可能直接影响诊疗记录。智能助手和语音搜索场景相对宽松，因为后续还有自然语言理解模块可以纠错，部分关键词被正确识别即可支撑意图判断，所以WER在10%到20%时仍可能保持较好的用户体验。
行业基准可以参考公开测试集的历史表现。例如一些语音识别系统在特定公开数据集上的WER在5%左右，但这不代表真实业务数据也能达到同样水平。更合理的做法是建立自己的内部测试集，覆盖典型用户群体、典型设备和环境，然后长期追踪WER变化。只有在同一套测试条件下比较才有意义。此外，还应该关注句子级别的错误率，比如整句完全正确的比例，因为即使WER较低，如果错误分散在大量句子中，每个句子都有一点错，用户体感可能比少数句子完全错误更差。
降低WER的常见优化策略
如果发现WER偏高，首先要判断错误类型分布。如果替换错误占主导，说明模型对某些发音相近的词容易混淆，此时可以增加对应语音数据，或者改进声学模型的区分能力。如果删除错误较多，可能是语音端点检测过于激进，把尾音或者轻声音节切掉了，也可能是语言模型过度剪枝导致某些低频词无法生成。插入错误多则提示识别引擎在静音段产生了虚假识别，或者是解码时语言模型权重过大，倾向于生成更多词。定位清楚之后，优化方向会更明确。
数据层面的优化通常收益最大。收集真实场景下的语音数据并进行人工转写，比单纯增加通用数据更能提升领域识别效果。如果某些词经常被识别错，可以制作针对性的增强数据，比如在安静环境下录音，再混入各种噪声，让模型学习更稳定的发音特征。语言模型方面，引入领域相关的语料训练，或者使用N-gram与神经网络语言模型相融合，都能有效降低替换错误。对专有名词、产品名称、地名等，可以建立自定义词表并在解码时提高这些词的路径分数。
后处理也能带来明显改善。利用规则对识别结果进行纠错，例如将常见的同音字错误映射到正确词汇，或者根据上下文调整数词、量词。标点恢复和逆文本归一化虽然不直接降低词错率，但能提升可读性，有时也会影响分词后的WER结果。如果系统用于特定领域，可以结合领域词典和规则引擎做二次校验。总之WER的优化是一个系统工程，需要从数据、模型、解码参数、后处理多个环节协同推进，而不是只调某个阈值就能解决。