總覽
自動語音辨識 (ASR) (又稱為機器轉錄或語音轉文字 (STT)) 會運用機器學習技術，將含有語音的音訊轉換為文字。ASR 的應用範圍廣泛，從字幕、虛擬助理、互動式語音回應 (IVR) 到聽寫等都有。不過，機器學習系統很少有 100% 準確率，ASR 也不例外。如果您打算在關鍵系統中使用 ASR，請務必評估其準確度或整體品質，瞭解系統整合 ASR 後的運作情形。
測量準確度後，您可以調整系統，讓系統在特定情況下提供更準確的結果。在 Google 的 Cloud Speech-to-Text API 中，您可以選擇最合適的辨識模型，並使用 Speech Adaptation API 進行準確度調整。我們提供多種模型，可針對不同用途進行調整，例如長篇音訊、醫療或電話對話。
定義語音準確度
語音準確度可透過多種方式評估。視需求使用多個指標可能會更有幫助。不過，業界標準的比較方法是字詞錯誤率 (WER)，通常簡稱為 WER。WER 會評估整個語音轉錄資料集中錯誤的字詞百分比。WER 越低，表示系統越準確。
您也可能會在 ASR 準確度相關內容中看到「真實值」一詞。基準真相是指 100% 準確的轉錄內容，通常由人提供，用於比較和評估準確度。
字詞錯誤率 (WER)
WER 是三種可能發生的轉錄錯誤組合：
- 插入錯誤 (I)：假設轉錄稿中出現的字詞，但實際上並未出現在基準真相檔案中。
- 替換錯誤 (S)：假設值和基準真相檔案中都有出現的字詞，但轉錄結果不正確。
- 刪除錯誤 (D)：假設內容中缺少的字詞，但基準真相中出現。
\[WER = {S+R+Q \over N}\]
如要計算 WER，請將每種錯誤的總數相加，然後除以基準真相轉錄稿的字詞總數 (N)。在準確度極低的情況下，WER 可能會超過 100%，例如插入大量新文字時。注意：取代作業基本上是刪除後再插入，有些取代作業的嚴重程度較低。舉例來說，替換單一字母與替換單字的效果可能不同。
WER 與可信度分數的關係
WER 指標與信心分數無關，兩者通常不相關。可信度分數是根據可能性計算，而 WER 則是根據字詞是否正確辨識而計算。如果系統無法正確辨識字詞，即使是輕微的文法錯誤也可能導致 WER 偏高。如果系統正確辨識字詞，WER 值會偏低，但如果該字詞出現頻率不高，或是音訊雜訊過多，系統仍可能會判定機率偏低，進而降低可信度。
同樣地，常用字詞很可能會正確轉錄，因此可信度分數會偏高。舉例來說，如果系統在「I」和「eye」之間發現差異，可能會出現高信賴度，因為「I」是更常見的字，但 WER 指標會因此降低。
總而言之，信心度和 WER 指標是獨立的，不應預期兩者之間存在關聯。
正規化
計算 WER 指標時，系統會將機器轉錄內容與人工提供的基準真相轉錄內容進行比較。系統會先將兩份轉錄稿的文字進行標準化，再進行比較。比較機器轉錄結果與人工提供的真值轉錄結果時，系統會移除標點符號，並忽略大小寫。
真值慣例
請注意，目前沒有任何人類認可的語音轉錄格式。這項決定需要考量許多因素。例如，音訊可能含有其他非語音的聲音，例如「嗯」、「嗯哼」、「嗯哼」等。部分 Cloud STT 模型 (例如「medical_conversation」) 會納入這些發音，其他模型則不會。因此，實際資料慣例必須與所評估模型的慣例相符。下列大致的規範可用於為特定音訊準備真實的文字轉錄。
- 除了標準字母，您也可以使用 0 到 9 的數字。
- 請勿使用「@」、「#」、「$」、「.」等符號，改用「at」、「hash」、「dollar」、「dot」等字詞。
- 請使用「%」，但前面必須加上數字；否則，請使用「百分比」一詞。
只有在後面接數字時，才使用「\$」，例如「牛奶是 \$3.99」。
請使用字詞表示小於 10 的數字，
- 例如：「我有四隻貓和 12 頂帽子」。
請使用數字表示度量單位、貨幣和百萬、十億或兆等大數字。舉例來說，請使用「750 萬」而非「七百五十萬」。
請勿在下列情況下使用縮寫：
建議做法： 禁止事項 Warriors 對 Lakers Warriors vs Lakers 我住在桂林路 123 號 我住在凱達格蘭大道 1 號
評估語音準確度
請按照下列步驟，開始使用音訊判定準確度：
收集測試音訊檔案
收集具代表性的音訊檔案樣本，以評估檔案品質。此樣本應隨機產生，並盡可能接近目標環境。舉例來說，如果您想將客服中心的對話內容轉錄為文字，以利品質控管，請隨機選取幾通實際通話，並使用製作音訊所用的設備錄製。如果音訊是使用手機或電腦麥克風錄製，且不代表您的用途，請勿使用錄製的音訊。
錄製至少 30 分鐘的音訊，才能取得統計顯著的準確度指標。建議使用 30 分鐘至 3 小時的音訊。本實驗室會提供音訊。
取得真值轉錄稿
取得準確的音訊轉錄內容。這通常需要人工轉錄目標音訊一次或兩次。你的目標是取得 100% 準確的轉錄稿，以便評估自動轉錄結果。
取得基準真相轉錄內容時，請務必盡可能符合目標語音辨識系統的轉錄慣例。例如，請確保標點符號、數字和大小寫都一致。
取得機器轉錄稿，並修正你發現的任何文字問題。
取得機器轉錄稿
將音訊傳送至 Google Speech-to-Text API，然後使用 Speech-to-Text UI 取得假設轉錄內容。
將真值與音訊配對
在 UI 工具中，按一下「Attach Ground Truth」(附加真值)，將特定音訊檔案與所提供的真值關聯。完成附件後，您可以查看 WER 指標和所有差異的視覺化資料。