WER 怎么算：一个公式说清语音识别的准确率

2026-08-24

WER（Word Error Rate，词错误率）衡量的是识别结果相对参考文本的错误比例，公式是 WER = (S + D + I) / N，其中 S 是替换数、D 是删除数、I 是插入数，而 N 是参考文本的词数——不是识别结果的词数。

这个公式短到可以写在一行里，但它周围有三个坑：分母取谁、三类错误是怎么数出来的、以及为什么这个”率”能超过 100%。下面一个一个拆。

分母是参考文本，这一点很多人搞错

先把符号钉死：

S（substitution，替换）：该说 A 的地方被识别成了 B。
D（deletion，删除）：参考里有这个词，识别结果里没有。
I（insertion，插入）：识别结果里多出来一个参考里没有的词。
N：参考文本的总词数。

最常见的误解是把分母当成识别结果的词数。为什么必须是参考？因为参考文本是这道题的标准答案，它是固定的、可比的；而识别结果本身是被评价的对象，它的长度会随模型行为剧烈变化。如果分母跟着识别结果走，一个疯狂多吐词的模型反而会因为分母变大而显得错误率更低——指标就被玩坏了。

把分母固定在参考侧，还带来一个直接后果：分子可以比分母大。这就是下文要重点讲的那一条。

三类错误不是数出来的，是对齐出来的

拿到一句参考和一句识别结果，你没法一眼看出哪个词是”被替换的”、哪个是”被删掉的”。得先做一件事：对齐。

对齐的做法是算两串词之间的编辑距离——把识别结果改造成参考文本，最少需要多少次替换、删除、插入操作。这个最小操作序列就是错误标注，操作的类型和数量直接对应 S、D、I。

这里有个容易被忽略的细节：同一对句子的错误标注方式可能不唯一。编辑距离只保证总代价最小，但达到同样最小代价的路径可能有好几条。比如某处既可以标成”一次替换加一次插入”，也可以标成另一种组合，只要总数一样，标注就都算合法。

所以严格地说，S、D、I 各自的数值可能因实现而略有差异，但它们的和是确定的——而 WER 只用到这个和。这就是为什么不同评测脚本算出的 WER 通常一致，即便它们标出来的错误明细长得不太一样。

手算一遍

用一句英文来演示，因为 WER 的基本单位是词。

参考文本（10 个词，N = 10）：

please book a flight to shanghai for next monday morning

识别结果（11 个词）：

please book the flight two shang hai next monday morning

对齐后逐位比对：

参考	识别结果	判定
please	please	正确
book	book	正确
a	the	替换 S1
flight	flight	正确
to	two	替换 S2
shanghai	shang	替换 S3
——	hai	插入 I1
for	——	删除 D1
next	next	正确
monday	monday	正确
morning	morning	正确

数一下：S = 3，D = 1，I = 1。

代入公式：

WER = (3 + 1 + 1) / 10 = 0.5 = 50%

几个值得停一下的地方：

第一，分母是 10 不是 11。 识别结果有 11 个词，但我们用参考文本的 10。

第二，“shanghai” 被拆成两个词，算一次替换加一次插入，不是两次插入。 因为参考里那个位置本来就有一个词等着被对上，把 shang 对上去（替换）比把它也算成插入（那样参考的 shanghai 就得算删除）总代价更低。前者代价 2，后者代价 3，编辑距离选前者。

第三，“to” 被识别成 “two” 只算一次替换。 从语义上看这句话几乎没坏，但 WER 不管语义，它只看词面是否一致。

★ WER 可以超过 100%

这是最反直觉的一点：WER 不是百分比意义上的”准确率的补数”，它没有 100% 的上限。

原因就在分母。分母被钉在参考文本上，而插入错误的数量完全由识别结果决定，没有任何东西限制它。插入足够多时，分子就会大于分母。

一个能说明问题的典型场景是模型陷入重复输出。生成式的解码在某些音频上会卡进循环，反复吐同一个短语直到触发长度上限。假设参考文本只有 10 个词，而模型把某个短语重复输出了几十遍——参考里的词一个都没对上（10 次删除或替换），外加几十个插入。分子轻松突破 100，WER 就成了几百个百分点。

所以在评测报告里看到 WER 超过 100% 时，不要以为是脚本算错了，它更可能是在告诉你一件很具体的事：这条音频上，模型的输出崩了。反过来说，如果你的评测流程把 WER 硬截断到 100%，你就永远看不到”崩溃”和”错得离谱”之间的区别，而这两者在工程上要采取的行动完全不同。

WER 掩盖了什么

WER 最大的局限是：所有错误的权重都一样。

把”不”识别成”很”，和把”的”识别成”地”，对 WER 的贡献是同一个数字——各一次替换。但前者把一句话的意思完全反转了，后者读者根本不会注意到。一个把否定词全部识反的系统，WER 可能比一个把虚词写错的系统还低，但它在业务上是不可用的。

同类的盲区还有几处：

位置不敏感。把人名识别错和把语气词识别错，代价相同；但用户往往只在意前者。
只报平均值会稀释崩溃。少数几条长音频完全崩掉，混在几百条正常样本里做平均，指标看着还行。分布比均值更能说明问题，至少要看看最差的那几条长什么样。
对后处理敏感。评测前把标点去掉、大小写统一、数字统一写法，会让 WER 明显变好看，但真实产品里这些恰恰是用户能看见的错误。评测口径必须和测试集一起说明，否则数字之间没有可比性。

结论不是”WER 没用”，而是：WER 适合做同一测试集上不同版本之间的相对比较，不适合单独拿出来当作系统好坏的判词。 真要评估一个系统，得再叠上按错误类型分类的统计，以及针对关键词（人名、产品名、否定词）的单独准确率。

顺带说一句：中文没有天然的词边界，直接算 WER 会因为分词器不同而不可比，所以中文通常改按字计算，得到 CER。这条单独展开在中文为什么用 CER 不用 WER。

常见问题

问：WER 和”准确率”是什么关系？

很多人默认准确率 = 1 − WER，这在 WER 较小时是个可用的近似说法，但严格上不成立——因为 WER 可以超过 1，那样”准确率”就成了负数。更稳妥的表述是直接报 WER，不要转成准确率。

问：为什么我用两个不同的工具算同一份结果，WER 略有差别？

先排除对齐之外的因素，通常是预处理口径不同：有没有去标点、大小写怎么处理、数字是保留阿拉伯形式还是转成读法、连字符词算一个还是两个。这些规则的差异对 WER 的影响往往比模型本身的差异还大。跑对比实验前，先把预处理脚本统一。

问：WER 多少算好？

这个问题脱离场景没有答案。安静环境下的朗读稿和嘈杂会议里的多人抢话，难度差着量级，同一个模型在两者上的 WER 完全不可比。比起追一个绝对数字，更有意义的是用自己的业务数据建一个测试集，横向比较候选方案在你的数据上的表现。

问：那我该看什么指标才够？

至少三样：WER（或中文的 CER）、错误的类型分布、关键词的单独命中情况。再加上一条纪律——看最差的那几条样本，不要只看平均值。