Tasa de error de palabras (WER)
La tasa de error de palabras es la puntuación estándar del reconocimiento de voz: la proporción de palabras de una transcripción que están mal, faltan o sobran frente a una referencia correcta.
La WER cuenta tres tipos de error frente a una referencia escrita por humanos: palabras sustituidas, palabras borradas y palabras insertadas. Las suma y divide entre el número de palabras de la referencia, así que un 5% significa que aproximadamente una de cada veinte palabras está mal. Menor es mejor, y la puntuación puede superar el 100% si un modelo inserta muchas palabras de más.
Las fichas de modelo informan la WER en conjuntos de prueba públicos, como discurso leído limpio, que suelen ser más fáciles que las grabaciones reales. El mismo modelo puede puntuar muy distinto en reuniones, llamadas, acentos o ruido, y la forma de normalizar el texto antes de puntuar cambia los resultados, así que los números de distintas fuentes no siempre cuadran. Pruébalo con una muestra de tu propio audio. Para el chino y otras lenguas que se escriben sin espacios se usa en su lugar la tasa de error de caracteres.
Términos relacionados
- Reconocimiento de voz (ASR, voz a texto) El reconocimiento de voz, también llamado ASR o voz a texto, convierte el audio hablado en texto escrito.
- Benchmark (prueba de referencia) Un benchmark es una prueba estandarizada para comparar modelos, como un conjunto de preguntas de matemáticas, programación o conocimiento; las puntuaciones son útiles pero fáciles de sobreinterpretar.