什么是词错误率（WER）？转写准确率的衡量方法（2026）

快速结论： 词错误率（WER）是转写准确率的标准量尺。它统计一份文字稿出错的三种方式——词被替换、词被删掉、词被凭空插入——再把总数除以实际说出的词数。10% 的 WER 大约意味着每十个词错一个。这个定义里藏着三个意外：WER 可以超过 100%；同一份文字稿会因为计数前文本规范化方式的不同而得到两个分数；不知道测的是什么音频，这个数字就没有意义。而对于中文、日语这类书写时不分词的语言，业界改用字错误率（CER）——一个经常被厂商当作同一指标来引用的不同指标。

本指南由 LoroNote 团队写于 2026 年 8 月 26 日。LoroNote 在设备上运行 Whisper Large V3 Turbo，WER 数字决定我们做什么、敢宣称什么——而下文每一个数字都来自 OpenAI 公开的论文与模型卡，或公开的 Open ASR Leaderboard，文末附全部链接。没有一个是我们自己的测量结果。

公式：文字稿出错的三种方式

WER 比较两份文本：参照文本（实际说出的话，由人工仔细转写）和假设文本（机器产出的结果）。两者之间的每一处差异都落入三类之一：

• 替换（S）——一个词被换成了另一个词
• 删除（D）——说出的词在文字稿里消失了
• 插入（I）——文字稿里多出了没人说过的词

分数是三者之和除以参照文本的词数：

WER = (S + D + I) / N，其中 N 是实际说出的词数——不是文字稿里的词数。

举一个英语的例子（WER 按词计数，而中文怎么计数正是下文 CER 一节的主题）。有人说：“send the report to Priya by Friday morning”——八个词。文字稿写成“send a report to Prisha by Friday”。这是两处替换（the → a、Priya → Prisha）加一处删除（morning）：八个词里三个错误，WER 为 37.5%。注意这个例子悄悄夹带的东西：被写错的人名才是真正会让你付出代价的错误，而它的计分和 the 变成 a 完全一样。下文详谈。

WER 为什么可能超过 100%

替换和删除受参照文本长度的限制——你删不掉比实际说出的更多的词。插入不受限制。一个生成式语音模型面对一段近乎无声的音频，可以凭空编出整句话，而每一个编造的词都会被计为插入，分母却几乎为零。这会把 WER 推过 100%——这不是舍入错误，而是公式在按设计工作。这也是为什么幻觉——Whisper 在静音、噪声和音乐上被记录在案的行为——比它在平均 WER 里的占比更值得重视；两种模型架构在这一点上的差异，我们在 Parakeet V3 对比 Whisper Large V3 里比较过。

WER 与“99% 准确”

厂商很少直接宣传词错误率，他们宣传准确率。换算很简单——准确率约等于 100% 减去 WER——但这种表述悄悄做了不少工作。“99% 准确”听起来像是产品本身的属性。而 WER 从来只描述产品在某个特定测试集上的表现，准确率横幅却几乎从不注明测试集。同一个引擎在干净、近距麦克风的朗读语音上拿到 97%，放到远距麦克风的会议上可能只有 84%，而软件什么都没变。一个不附测试集的精确准确率数字，是一个广告决策，不是一次评测。

经验法则：每当遇到一个准确率百分比，用 100 减去它，然后问“在什么音频上？”。如果答案没有公开，这个数字就无法与任何东西比较——包括同一家厂商去年的数字。

错误的代价并不相等——而 WER 不在乎

WER 刻意一视同仁：漏掉一个“嗯”和写错一个药名各计一次。这种中立正是它客观、可跨系统比较的原因，也是它最著名的局限。错了五个语气词的文字稿和错了五个客户名字的文字稿，WER 相同，后果截然不同。

评测团队有时会用关键词加权指标或实体错误率来弥补，但你在论文、排行榜和营销里遇到的头条数字，几乎永远是普通 WER。对任何挑选转写工具的人来说，实际的结论是：做完任何测试，都要去读具体的错误，而不是停在数字上。错误落在哪里，比错了多少个更重要。

规范化：同一个模型为何得到两个分数

在开始计数之前，参照文本和假设文本都要经过规范化：转成小写、去掉标点，统一数字、缩写和拼写——“twenty six”对“26”算不算错？“it’s”对“it is”算不算错？“colour”对“color”呢？每一次评测都用自己的一套规则回答这些问题，而规则会移动分数。

OpenAI 认为这件事重要到专门随 Whisper 发布了一个文本规范化工具，并在 Whisper 论文里用整整一个附录说明规范化选择如何改变测得的 WER。在 LibriSpeech 这样的基准上，仅规范化差异就能让一个模型的公开数字移动一个百分点以上——这个幅度，和许多正面对比声称测出的差距差不多大。

这正是我们在这个博客上反复提醒的一件事，最近一次是在 Apple SpeechAnalyzer 对比里：来自两份独立发表的评测的 WER 数字是粗略的参照，不是定论。唯一干净的比较，是两个系统在同一次评测里、同一批音频上、用同一个规范化工具打分。

不知道测试集，WER 什么都不是

被引用最多的语音基准 LibriSpeech 取材于公版有声书，分成两半，名字本身就说明了一切：test-clean（录音清晰、说话人容易）和 test-other（更难的剩余部分）。同一个语料库，两种条件——每个模型在第二半上的分数都明显更差。这个结构就是 WER 全部道理的缩影：音频是数字的一部分。

Whisper 大型模型的公开数字在更大的尺度上说明同一件事。在干净的单人朗读语音上，约 2–3% WER；在 Open ASR Leaderboard 八个多样化真实英语测试集的平均上，约 7.4%；在麦克风远、说话重叠的会议录音上，16% 左右；在印地语这样的低资源语言上，公开数字接近 27%。同一套权重，一个数量级的跨度——我们在 Whisper 到底有多准？里逐级走过这架梯子。

测试集还可能藏着另一个陷阱：实际测的是哪个模型。2026 年那份刷屏、声称苹果新引擎赢了 Whisper 的基准测试，测的是 Whisper Small——比端侧应用实际运行的模型小好几档。头条数字是真的；这场比较不是。

当“词”不再成立：中文、日语与韩语的 CER

WER 假设你看一眼就能把句子切成词。中文和日语书写时不分词，“这句话有几个词”本身就是一个建模决定——两个分词器给出两个数，错误率也继承这份分歧。因此这些语言的评测改用字错误率（CER）：同一套“替换、删除、插入”的算术，按字而不是按词进行。OpenAI 自己的 Whisper Large V3 模型卡对日语、中文、韩语、泰语等语言报告的就是 CER 而不是 WER。

韩语是最有说明性的中间情形：它有空格，但助词附着在前面的词上，合法的空格变化会在不改变含义的情况下翻转词边界——按词计数会惩罚没有读者认为是错误的差异，所以按字打分在韩语上同样更稳定。

实际的警告是：5% 的 CER 和 5% 的 WER 不是同一个主张。同样一份输出，按字算的分数在数值上低于按词算的分数，因为一个写错的词里通常仍有几个正确的字。一张悄悄混用两种指标的多语言准确率表——这样的表不少——连自己内部各行之间都没有可比性。这件事与我们直接相关：LoroNote 在设备上转写 100 多种语言，而“它在我的语言里有多准”这个问题，要先弄清你的语言到底是用哪个指标衡量的，才谈得上回答。

十分钟测出你自己的 WER

上面每一个数字都测在别人的音频上。真正回答你问题的测试跑在你的音频上，而且除了一个文本编辑器，什么工具都不需要：

1. 录大约两分钟有代表性的音频。 同样的房间、同样的麦克风距离、同样的语言，真实的人名和术语——样本有多诚实，测试就有多诚实。
2. 用你在评估的应用转写它。
3. 数之前先定规则。 这是所有人都会跳过的一步，也正是上文规范化问题的缩影：忽略标点和大小写，给数字定一个写法，事先决定语气词算不算。什么规则都行——只要在看到输出之前定下来，并在测试第二款应用时原样沿用。
4. 给一段 200 个词的片段打分。 对照实际说出的话，数出每一处替换、删除和插入，除以 200。这就是你的 WER，测在唯一真正关于你的音频的基准上。
5. 然后去读那些错误。 错五个语气词和错五个客户名字是同一个分数，却是完全不同的一天。如果反复出现的名字总被写错，这个具体问题有具体的解法——LoroNote 的自定义词典就是为那些模型不该再弄错的术语准备的。

因为 LoroNote 在设备端转写，而且每段录音的前两分钟免费，整个实验不花一分钱，录音也不会离开你的 iPhone——没有上传，没有账号，开着飞行模式也一样。

常见问题

词错误率怎么计算？

把三类错误——替换、删除、插入——加起来，除以实际说出的词数：WER = (S + D + I) / N。N 来自参照文本（实际说的话），不是文字稿，所以大量插入可以把 WER 推过 100%。

词错误率多少算好？

完全取决于音频。在干净、近距麦克风的单人语音上，现代大型模型能到 2–3% WER，接近实用上限；在多样化的真实英语音频上，5% 到 10% 左右已属强劲；在有交叉说话的远距麦克风会议上，旗舰模型也在 16% 上下。“好”的 WER 是在与你相似的音频上测出的那个——拿干净语音的数字回答会议室场景的问题，答的是另一个问题。

词错误率可能超过 100% 吗？

可能。插入不受说出词数的限制，一个会编造文本的模型——比如在一段静音里幻觉出句子——累积的错误可以比参照文本的词还多。超过 100% 的 WER 几乎总是插入出了问题，而不是听错了。

为什么两份评测给同一个模型报出不同的 WER？

通常是两个原因叠加：测试音频不同，文本规范化不同。规范化规则——计数前如何统一标点、大小写、数字和缩写——本身就能让一个公开的 LibriSpeech 数字移动一个百分点以上。只有在同一次评测里打分的两个系统，才能干净地比较。

WER 对每种语言都适用吗？

不。对中文、日语这类书写时不分词的语言，词边界本身就有歧义，评测改用字错误率（CER）；韩语通常也更适合按字打分。同样的输出，CER 在数值上低于 WER，所以两者绝不能直接比较。

WER 能衡量说话人识别对不对吗？

不能。WER 只给词打分。把词归到正确的人名下是说话人分离，是另一个步骤，有自己的错误指标；一份文字稿可以 WER 很低，却把每一句话都归给错误的说话人。说话人识别是如何工作的讲的就是问题的这一半。

关于词错误率的最后几句话

词错误率是语音识别里最有用的数字，也是最容易被误用的数字。公式本身是诚实的——三类错误除以说出的词数——但每一个公开数字都带着沉默的乘客：它测在哪个测试集上、文本经过了哪套规范化规则、语言不再使用空格时指标发生了什么切换。带着这三个问题去读任何 WER，数字才真正开始提供信息。更好的做法，是花十分钟在你自己的音频上测一个——那是唯一真正关于你的测试集。

参考来源

• OpenAI，Robust Speech Recognition via Large-Scale Weak Supervision——Whisper 论文；附录 C 介绍了文本规范化工具及其对测得 WER 的影响
• OpenAI，whisper-large-v3 模型卡——分语言数字，按语言以 WER 或 CER 报告
• Open ASR Leaderboard——多基准英语平均值与 AMI 会议数据
• LibriSpeech 语料库——test-clean / test-other 的划分
• LoroNote，Whisper 到底有多准？真实数字——上文公开数字及其测量条件

各数字于 2026 年 8 月 26 日对照上述来源复核。