Taxa de erro de palavras (WER)

A taxa de erro de palavras é a pontuação padrão do reconhecimento de fala: a proporção de palavras em uma transcrição que estão erradas, faltando ou sobrando em relação a uma referência correta.

  • Usando modelos
  • Atualizado

A WER conta três tipos de erro em relação a uma referência escrita por humanos: palavras substituídas, palavras apagadas e palavras inseridas. Ela as soma e divide pelo número de palavras da referência, então 5% significa que cerca de uma em cada vinte palavras está errada. Menor é melhor, e a pontuação pode passar de 100% se um modelo inserir muitas palavras extras.

As fichas de modelos relatam a WER em conjuntos de teste públicos, como fala lida limpa, que costumam ser mais fáceis que gravações reais. O mesmo modelo pode pontuar de forma bem diferente em reuniões, ligações, sotaques ou ruído, e a forma de normalizar o texto antes de pontuar muda os resultados, então números de fontes diferentes nem sempre batem. Teste com uma amostra do seu próprio áudio. Para o chinês e outras línguas escritas sem espaços, usa-se em vez disso a taxa de erro de caracteres.

Termos relacionados

  • Reconhecimento de fala (ASR, fala para texto) O reconhecimento de fala, também chamado de ASR ou fala para texto, converte áudio falado em texto escrito.
  • Benchmark (teste de referência) Um benchmark é um teste padronizado usado para comparar modelos, como um conjunto de questões de matemática, programação ou conhecimento; as pontuações são úteis, mas fáceis de superinterpretar.

Todos os termos