WER (tỷ lệ lỗi từ) là chỉ số đánh giá tiêu chuẩn ngành nhằm định lượng độ chính xác của nhận dạng giọng nói, phiên âm và dịch máy. Giá trị là tổng số từ khác với văn bản đúng (thay thế, xóa, chèn) chia cho số từ đúng; giá trị càng thấp thì độ chính xác càng cao.
WER (Tỷ lệ lỗi từ) là chỉ số được sử dụng rộng rãi để đánh giá độ chính xác của nhận dạng giọng nói, phiên âm và dịch máy và được tính bằng (số lần thay thế + số lần xóa + số lần chèn) ` số từ đúng x 100. Đối với ASR thương mại, 10% trở xuống được coi là mức thực tế.
Có ba cạm bẫy chính mà lĩnh vực này sẽ gặp phải khi vận hành thực tế vào năm 2026. ① Trong tiếng Nhật, ranh giới từ rất mơ hồ và điểm số có thể dao động vài điểm phần trăm do sự khác biệt trong các công cụ phân tích hình thái. Nếu sử dụng thư viện đánh giá dựa trên tiếng Anh thì độ tin cậy của các giá trị số sẽ giảm. ② Trong môi trường ồn ào và âm thanh doanh nghiệp có nhiều thuật ngữ kỹ thuật, việc có sự chênh lệch hơn 10 điểm giữa giá trị chuẩn được công bố và giá trị thực tế tại chỗ không phải là hiếm. ③WER một mình không thể đảm bảo tính chính xác của văn bản. Lỗi chấm câu và lỗi trật tự từ rất khó phản ánh bằng giá trị số ngay cả khi chúng làm giảm ý nghĩa, vì vậy tốt nhất nên kết hợp chúng với CER (tỷ lệ lỗi ký tự) và độ tương tự ngữ nghĩa.
Về chi phí, phép đo WER sử dụng chú thích thủ công có giá từ 20.000 đến 50.000 yên Nhật mỗi giờ âm thanh. Đầu tiên, đo bằng công cụ ASR có sẵn và nếu WER vượt quá 15%, cách thực tế để tiến hành là xem xét tinh chỉnh.