词错误率
衡量语音识别和文本转录准确率的标准化评估指标，计算方式为（替换数+插入数+删除数）除以参考词总数，数值越低表示转录质量越高
核心事实
时间轴 (近 90 天)
评估阿拉伯语STT时不能只看词错误率（WER），还要看关键实体识别率（站点名、票号、日期、金额等），因为实体识别错误会导致后续所有流程崩溃。
跨模型比较 WER 时，必须确保测试语料、文本规范化规则完全一致，否则 1-2 个百分点的差距可能完全来自评测流程而非模型本身。
WER 的绝对值高度依赖测试集难度：在朗读式、低噪声语料上，同一模型的 WER 可能只有 5%；换到带口音和背景噪声的真实录音上，同一模型的 WER 可能翻倍甚至更高。
单看厂商公布的 WER 意义有限，必须结合测试集的噪声条件与语种来判断。
WER 适合作为回归测试的基线指标，但不能单独作为验收依据。
词错误率（WER）定义为 (替换数 + 删除数 + 插入数) / 参考词数，取值越低表示与参考文本越接近。
公开的词错误率（WER）来自基准数据集，不能代表用户自己的口音、麦克风或行业术语下的准确率。
词错误率（WER）是衡量语音转录准确率的核心指标，计算方式为替换、删除、插入词数之和除以参考文本总词数。
对于会议记录等场景，WER 超过 15% 就可能严重影响可读性。
WER通常是在发音清晰、背景安静的标准测试集上测得，真实会议环境下的实际表现往往比官方数据差
还有 7 条时间轴事件
全部知识事实 (18)
词错误率（WER）是语音识别领域最通用的性能指标，计算公式为（替换数+删除数+插入数）/参考文本总词数
90%已验证词错误率（WER）的计算方式是将识别输出与参考文本之间的替换、删除、插入错误数量之和除以参考文本的总词数
80%已验证词错误率（WER）是衡量语音转录准确率的核心指标，计算方式为替换、删除、插入词数之和除以参考文本总词数。
75%已验证字错率WER的计算方式为（替换错误+删除错误+插入错误）除以参考词总数
65%待验证评估阿拉伯语STT时不能只看词错误率（WER），还要看关键实体识别率（站点名、票号、日期、金额等），因为实体识别错误会导致后续所有流程崩溃。
50%待验证跨模型比较 WER 时，必须确保测试语料、文本规范化规则完全一致，否则 1-2 个百分点的差距可能完全来自评测流程而非模型本身。
50%待验证WER 的绝对值高度依赖测试集难度：在朗读式、低噪声语料上，同一模型的 WER 可能只有 5%；换到带口音和背景噪声的真实录音上，同一模型的 WER 可能翻倍甚至更高。
50%待验证单看厂商公布的 WER 意义有限，必须结合测试集的噪声条件与语种来判断。
50%待验证词错误率（WER）定义为 (替换数 + 删除数 + 插入数) / 参考词数，取值越低表示与参考文本越接近。
50%待验证WER 适合作为回归测试的基线指标，但不能单独作为验收依据。
50%待验证公开的词错误率（WER）来自基准数据集，不能代表用户自己的口音、麦克风或行业术语下的准确率。
50%待验证对于会议记录等场景，WER 超过 15% 就可能严重影响可读性。
50%待验证WER通常是在发音清晰、背景安静的标准测试集上测得，真实会议环境下的实际表现往往比官方数据差
50%待验证Earnings22是专为金融领域语音识别评估设计的基准数据集，由真实上市公司财报电话会议录音构成，包含大量行业术语、数字表达和非母语口音，词错误率普遍高于通用场景
50%待验证在需要正则化的情形下，mini-KFAC EWC相比标准对角EWC能够实现更低的词错误率和更稳定的优化过程
50%待验证在MSA语料上精调的模型遭遇真实口语时词错误率会大幅飙升
50%待验证词错误率衡量模型输出与真实转录之间的编辑距离比例，是最核心的准确率指标
50%待验证对于追求智能而非逐字照搬的转写系统，可能需要引入语义相似度（如 BERTScore）、可读性评分、信息完整度等更综合的评估维度
50%