中文语音识别为什么看 CER 不看 WER

2026-08-24

中文语音识别不按词算错误率，而按字算 CER（Character Error Rate），根本原因只有一条：中文书面语没有天然的词边界，词数本身就不是一个客观量。

英文句子里，空格已经替你把词切好了，“how are you”就是三个词，谁来数都一样。中文没有这个东西。“语音识别系统”是一个词、两个词还是三个词，取决于你用哪个分词器。而 WER 的分母恰恰是参考文本的词数——分母都不稳定，算出来的比率自然没法拿来比。

WER 的公式推导和手算过程属于WER 怎么算：一个公式说清语音识别的准确率，本篇不重复，只讲中文为什么必须换一套口径。

换个分词器，错误率就变了

举个具体的例子。参考文本是：

我们需要一个语音识别系统

识别结果把”识别”错成了”是别”，其余全对。这是一处替换错误，事实层面没有任何争议。

现在看两种分词方式：

粗粒度分词器切成：我们 / 需要 / 一个 / 语音识别系统 → 共 4 个词。错的那个字落在”语音识别系统”里，这一整个词判错，WER = 1 / 4。
细粒度分词器切成：我们 / 需要 / 一 / 个 / 语音 / 识别 / 系统 → 共 7 个词。只有”识别”这个词判错，WER = 1 / 7。

同一段音频、同一个模型、同一处错误，两个数字差了将近一倍。变的不是识别质量，只是分词工具。

如果按字算：参考文本 12 个字，错 1 个字，CER = 1 / 12。换谁来数都是 12，这个分母不会因为换工具而变。

CER 与 WER 是同构的，公式一模一样：

CER =（替换数 + 删除数 + 插入数）/ 参考文本的字数

同样由参考文本与识别结果之间的编辑距离对齐得出，同样在插入错误足够多时可以超过 100%——分子里的插入数不受分母约束。唯一的改动就是把计数单位从”词”降到”字”，从而绕开分词这个不确定环节。

要注意 CER 换来的是可比性，不是”更准确地描述体验”。它让不同团队、不同时间的数字能放在一起看，仅此而已。

现实里的中文语音很少是纯中文。“这个 API 的 latency 有点高”这类句子，一半汉字一半英文单词。这时候按字算就出问题了：英文单词如果拆成字母来数，一个 latency 就顶七个计数单位，权重被严重放大；整词算又和汉字的粒度对不齐。

常见约定是：中文按字、英文按词，混在一起统计，有时写作 MER（混合错误率）。这是个合理的折中，但它是约定而不是标准——有人把英文也按字符算，有人把连续英文当一个整体，有人干脆把英文段落单独统计。

所以真正的关键结论是：口径必须随测试集一起说明。一个孤零零的 CER 数字，如果没告诉你英文怎么处理、标点算不算、数字用什么形式，它就不具备被比较的资格。这不是学究气，是因为上面那些选择造成的差异，经常比模型之间的真实差距还大。

按字算解决了分母的争议，但它把所有错误都当成等价的一个单位，这本身也丢掉了信息：

同音字错误和不相干错误，对 CER 的贡献完全一样。把”在”识别成”再”，读者一眼扫过去基本不受影响；把”在”识别成”载”，句子可能就读不通了。两者在 CER 里都是”错 1 个字”。
标点算不算字，结果会明显不同。标点由后处理模型补，本身就是一个独立的误差来源。把标点纳入统计，测的是整条管道；剔除标点，测的是声学识别。两个数字不该混着比。
数字用什么形式也会左右结果。“二零二五年”和”2025 年”字数不同，评测前有没有做逆文本规范化、比对时统一成哪种形式，都会改变分母和错误计数。

所以合理的做法是：CER 用来做纵向对比和回归监控，具体错在哪、影响多大，还得回去看错误样本。只盯一个数字优化，很容易把资源花在对用户无感的地方。

下次有人给你一个 CER 数字，按这七条挨个问。问不出来的，就当这个数字不存在：

要追问的	为什么重要
1. 字怎么数的？标点、空格算不算？	直接决定分母，是差异最大的一项
2. 中英混说按什么口径？英文按词还是按字符？	不说清就无法与任何其他数字比较
3. 评测前做了哪些归一化？（去标点、繁简统一、数字转写、大小写）	归一化越多，数字越好看，也越远离真实产品
4. 测试集从哪来？有没有可能和训练数据重叠？	公开集被反复训练过，成绩会虚高
5. 音频有没有被裁过？静音段、串音段是否保留？	裁干净的音频不代表线上录到的音频
6. 报的是平均还是分布？最差的那批长什么样？	少数长音频的崩溃会被平均值稀释
7. 是每条算一个 CER 再取平均，还是全部错误求和除以全部字数？	前者（宏平均）里短句权重被放大，后者（微平均）由长音频主导，两个数经常对不上

第 7 条最容易被忽略，也最容易在两个团队对数时吵起来——双方公式都没错，只是聚合方式不同。报数字的时候顺手写一句聚合方式，能省掉很多来回。

问：中文场景下 WER 就完全没用了吗？

不是没用，是不能跨团队比。如果你在自己内部固定一个分词器、固定一份测试集，WER 的变化趋势依然是有效信号。它失效的地方是横向比较：别人报的 WER 和你的 WER 不是同一把尺子。

问：CER 低是不是就等于用户体验好？

不一定。关键信息错一个字（比如金额、人名、订单号）造成的后果，远大于虚词错三个字，但 CER 分不出来。业务上通常要额外定一个关键字段准确率，单独盯专名和数字。

问：粤语、方言、少数民族语言呢？

原则一样：看这门语言的书面形式有没有天然的、无歧义的切分单位。有汉字书写体系的一般沿用按字算；使用拼音文字且有空格分词的，用 WER 更自然。真正要小心的是书写不规范的语言，参考文本本身就不唯一，这时候光换指标解决不了问题，得先把标注规范定死。

问：那我到底该怎么开始？

先建一份用你自己业务音频做的测试集，把上面那七条口径当作测试集文档的一部分写下来。指标是拿来做决策的，决策的前提是数字可比。