Taux d'erreur par mot (WER)

Le taux d'erreur par mot est le score standard de la reconnaissance vocale : la part des mots d'une transcription qui sont faux, manquants ou superflus par rapport à une référence correcte.

  • Utiliser les modèles
  • Mis à jour le

La WER compte trois types d'erreur par rapport à une référence écrite par des humains : mots substitués, mots supprimés et mots insérés. Elle les additionne et divise par le nombre de mots de la référence ; 5 % signifie donc qu'environ un mot sur vingt est faux. Plus bas est meilleur, et le score peut dépasser 100 % si un modèle insère beaucoup de mots superflus.

Les fiches de modèles rapportent la WER sur des jeux de tests publics, comme de la parole lue propre, généralement plus faciles que des enregistrements réels. Le même modèle peut obtenir des scores très différents sur des réunions, des appels, des accents ou du bruit, et la façon de normaliser le texte avant la notation change les résultats ; les chiffres de sources différentes ne se recoupent donc pas toujours. Testez sur un échantillon de votre propre audio. Pour le chinois et les autres langues écrites sans espaces, on utilise à la place le taux d'erreur par caractère.

Termes associés

  • Reconnaissance vocale (ASR, voix vers texte) La reconnaissance vocale, aussi appelée ASR ou transcription voix-texte, transforme la parole en texte écrit.
  • Benchmark (test de référence) Un benchmark est un test standardisé servant à comparer des modèles, comme une série de questions de mathématiques, de code ou de connaissances ; les scores sont utiles mais faciles à surestimer.

Tous les termes