WER
语音识别领域最核心的评估指标，计算替换、删除、插入错误数之和除以参考文本总词数，WER<5%通常被视为接近人类水平
核心事实
时间轴 (近 90 天)
相对WER改进的计算公式为：(WER_SFT - WER_GRPO) / WER_SFT × 100%。
OCR 常用字符错误率（CER）和词错误率（WER）作为评测指标；文档 AI 更关注字段级准确率和表格还原的 TEDS 分数。
业界常用说话人相似度（如SECS）和词错误率（WER）作为零样本语音克隆的客观评测指标。
CER 对中文等无空格语言更常用，WER 更适配英文。
字符错误率（CER）定义为编辑距离（插入+删除+替换）除以参考文本的总字符数；词错误率（WER）同理但以词为单位。
WER的计算公式为WER = (S + D + I) / N，其中S为替换、D为删除、I为插入错误数，N为标准转写总词数。
评估语音翻译质量通常使用BLEU、COMET等指标，与ASR的WER属于不同评价体系。
原始 WER 在不同数据集、不同文本规范化规则下差异巨大，跨厂商直接比较容易失真。
在端到端评估中，目标性重复策略带来了最高 24% 的 WER 相对下降。
WER作为发布门禁存在两个结构性缺陷：对语义不敏感，以及作为全局平均量无法反映错误在关键实体上的分布。
还有 31 条时间轴事件
全部知识事实 (20)
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Gemini 3.5 Transcribe 是 Gemini 系列在语音处理方向的延伸，主打「精准」与「智能」两大核心能力
85%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%已验证评估语音自然度的主流指标是平均意见得分（MOS），由真人评听员对样本打分（1-5分）
75%已验证OCR 准确率通常使用字符错误率（CER）和单词错误率（WER）两个指标衡量
75%已验证词错误率（WER）的计算公式为 (替换数 + 删除数 + 插入数) / 参考文本总词数，WER 越低表示转录质量越高
75%已验证WER对所有词等权对待，不区分关键信息词与填充词的错误，也无法衡量转写结果的可读性和语义准确性
75%已验证词错误率计算公式为 WER = (S + D + I) / N，其中 S 是替换错误数、D 是删除错误数、I 是插入错误数、N 是参考文本的总词数
65%已验证声音漂移是自回归语音生成模型中的已知技术难题，因逐步生成时误差会累积导致音色偏离目标说话者
65%已验证儿童声道更短，导致共振峰频率更高且变异性更大，是儿童ASR识别困难的原因之一
65%待验证当前业界顶尖系统在标准英语测试集 LibriSpeech 上的 WER 已降至 5% 以下
70%待验证早期语音识别主流方案依赖隐马尔可夫模型（HMM），对噪声、口音和多语种混合识别能力有限
70%待验证Gemini 3.5 Transcribe能自动去除口误、填充词，并识别口误修正只保留最终结果
60%待验证现代ASR系统（如OpenAI的Whisper和Google的USM）在标准数据集上词错误率已降至5%以下，但在高噪声环境中WER可能飙升至20%-40%
60%待验证相对WER改进的计算公式为：(WER_SFT - WER_GRPO) / WER_SFT × 100%。
50%待验证OCR 常用字符错误率（CER）和词错误率（WER）作为评测指标；文档 AI 更关注字段级准确率和表格还原的 TEDS 分数。
50%待验证业界常用说话人相似度（如SECS）和词错误率（WER）作为零样本语音克隆的客观评测指标。
50%待验证CER 对中文等无空格语言更常用，WER 更适配英文。
50%待验证字符错误率（CER）定义为编辑距离（插入+删除+替换）除以参考文本的总字符数；词错误率（WER）同理但以词为单位。
50%