自动字幕的准确率如何？

字幕是提升演示和现场活动期间可访问性、参与度和信息保留的有效方式。.

自动字幕将语音实时转换为屏幕上显示的文本，语言与语音相同。ASR（自动语音识别）是一种用于生成这些口语句子转录本的人工智能技术。.

为了评估自动字幕的准确性，最常用的指标是词错误率（WER）。该指标衡量自动转录文本相对于说话者实际发言的错误数量。本质上，它提供了一种判断自动系统将语音转换为文本效果的方法。.

例如，如果100个词中有4个错误，准确率将是96%。.

词错误率（WER）是一种用于衡量自动字幕准确性的指标。它在计算参考文本与转录文本完全对齐所需的总校正次数之前，以细粒度对正确识别的词序列进行对齐。此过程包括识别替换、删除和插入。随后，WER 通过将所需校正次数除以参考文本中的总词数来计算。一般而言，WER 越低，语音识别系统的准确性越高。.

WER 测量可能具有误导性，因为它未能告知我们某个错误的相关性/重要性。诸如同一单词的不同拼写（movable/moveable）等简单错误，读者通常不视为错误，而替换错误（exemptions/essentials）可能产生更大的影响。.

WER 数值，尤其是针对高精度语音识别系统，可能具有误导性，并不总是与人类对正确性的感知相符。对人类而言，90% 到 99% 之间的准确度差异往往难以辨别。.

原始转录稿：	ASR 字幕输出：
例如，我确实仅对以下内容进行非常有限的使用基本要点提供的内容，我希望更详细地阐述一个特定点，我担心我呼吁各个州议会在欧洲法院的职能明确之前通过该公约，这可能会产生极其不利的影响。	例如，我也希望仅对所提供的豁免进行非常有限的使用，我想更详细地讨论一个特定点，我担心呼吁各个州议会在明确欧洲法院的角色之后才批准该公约，可能会产生非常不利的影响。

Interprefy 已开发出一种专有且针对特定语言的 ASR 错误度量指标，称为感知词错误率（Perceived WER）。该指标仅统计影响人类对语音理解的错误，而非所有错误。感知错误率通常低于词错误率（WER），有时甚至低至 50%。感知词错误率为 5-8% 时，用户几乎察觉不到。.

下图展示了在高精度自动语音识别系统中，WER 与感知 WER 之间的差异。请注意同一语言的不同数据集（S0-S4）在性能上的差异。.

如图所示，人工感知的词错误率（WER）通常远好于统计词错误率（WER）。.

下图展示了在某种语言的相同语音数据集上使用感知词错误率（WER）时，各种自动语音识别（ASR）系统在准确性方面的差异。. 

您应考虑的三项关键要点：

在理想条件下，口语语言的自动字幕可实现高达 98% 的准确率，依据词错误率（WER）进行评估。.