一、基础概念

1.1、语音识别(ASR)

语音识别（speech recognition）技术，也被称为自动语音识别（英语：Automatic Speech Recognition, ASR），

狭隘一点白话说：将语音转换为文字的技术。

ASR测试方法---字错率(WER)、句错率(SER)统计-LMLPHP

维基百科：https://zh.wikipedia.org/wiki/语音识别

Findyou：一般使用ASR缩写。

1.2、句错率(SER)

句错误率：Sentence Error Rate
解释：句子识别错误的的个数，除以总的句子个数即为SER
计算公式：(所有公式省了 * 100%)

SER = 错误句数 / 总句数

1.3、句正确率(S.Corr）

句正确率：Sentence Correct

计算公式：

S.Corr = 1 - SER = 正确句数 / 总句数

1.4、字错率(WER/CER)

WER，Word error rate，词错率，但一般称为字错率，是语音识别领域的关键性评估指标，WER越低表示效果越好！

CER，Character Error Rate，字符错误率，中文一般用CER来表示字错率，原因请见1.4.3。

维基百科：https://en.wikipedia.org/wiki/Word_error_rate

»1.4.1 、计算原理

字符串编辑距离（Levenshtein距离）算法

编辑距离：https://en.wikipedia.org/wiki/Levenshtein_distance

»1.4.2、计算公式(重要)

WER = (S + D + I ) / N = (S + D + I ) / (S + D + H )

（公式图片和文字一样，仅方便拷贝）

S 为替换的字数，常用缩写WS
D 为删除的字数，常用缩写WD
I 为插入的字数，常用缩写WI
H 为正确的字数，维基百科是C，但我统一改用H
N 为（S替换+ D删除+ H正确）的字数

Findyou：

1.正确的字数：维基百科里用的是C代表，H = N - (S+D) = C，我这边直接改成H，减少过多概念与变量。

2.大多数文章都没有给出N的计算方式，很容易误以为是原句总字数或者识别结果总字数。

3.不理解没关系，下面实例会帮助理解。

»1.4.3、问题

问题1：为什么WER会大于100%

因为有插入字(识别多出来的字)，所以理论上WER有可能大于100%，在下面实例我会举例（请见2.3.5），但实际场景，特别是大样本量的时候，基本太不可能出现。

问题2：说中文应该用CER，即“字符错误率”（Character Error Rate）

Findyou举个栗子：

英文：hello   # 算一个Word

中文：你好     # 算两个字符

啰嗦文字解释，就是：

英文，因为最小单元是Word，语音识别应该用"字错误率"（WER），

中文，因为最小单元是字符，语音识别应该用“字符错误率”（CER）。

BUT(就是但是的意思...)，他跟我前面那一句一样，说的都是废话！

我们计算的时候谁不是按：中文的一个字符 = 英文的一个Word，那这样用WER的公式有什么问题呢？

谁再跟你咬文嚼字，怼他，使劲怼！

怼完，说回严谨的话，建议采用CER表示，哈哈哈哈哈......

1.5、字正确率(W.Corr）

字正确率，Word Correct，一般国内宣传用的多，识别率(识别正确率)达到多少多少(请见1.7)。

计算公式

W.Corr = ( N - D - S ) / N = H / N

问题：只计算了识别正确的字，没有管多出来的字（I插入），当然一般情况下不会有什么问题。

1.6、字准确率(W.Acc）

字准确率，Word Accuracy

计算公式

W.Acc = 1 - WER = ( N - D - S - I ) / N = (H - I) / N

ASR测试方法---字错率(WER)、句错率(SER)统计-LMLPHP

（图片和文字一样，方便拷贝，W.Acc是Findyou自己用的简写）

特殊情况：当 I=0 时， W.Acc = W.Corr
问题：为什么W.Acc会是负数？

同WER，因为有插入字。换个说法，因为字准确率=1 - WER，而WER可能大于1，所以W.Acc会出现负数，但实际情况基本不存在。

1.7、聊点其他

ASR影响素因

人群：男、女、老人、小孩...
音量)
距离(与拾音设备的距离)
角度(与拾音设备的角度)
设备(拾音设备的硬件)
环境：安静、嘈杂(自噪、外噪)、家庭、商场...
句长
口音、方言
语速
语言：中文、英语
等等

大概举例几个影响因素(懒得放脑图，文字也方便大家拷贝)，

因为ASR的识别影响因素过多，所以很多时候会从各种纬度测试，比如：男生字错率、女生字错率，或者小孩字错率、平均字错率等等,

如果没有公布测试数据与方法，不可信，因会存在几个操作，最大的问题是：

过拟合：训练数据、测试数据、验证数据是同一份，打外比方说：要考试的卷子就是你前一天发的老师发的练习卷还带答案的。

先扯到这，后面找时间再整理一篇ASR测试方法系统讲一讲，

做为测试我们如何去测ASR以及制定各种测试标准。

行业水平

- 英语-WER；
  - IBM：行业标准Switchboard语音识别任务，2016年 6.9%，2017年 5.5%
  - 微软：行业标准Switchboard语音识别任务，2016年 6.3% -> 5.9%，2017年 5.1%，这个目前最低的。

说明：ICASSP2017上IBM说人类速记员WER是5.1%，一般认为5.9% 的字错率是人类速记员的水平。

- 中文-WER/CER：
  - 小米：2018年小米电视 2.81%
  - 百度：2016年短语识别 3.7%
- 中文-W.Corr：
  - 百度：2016年识别准确率 97%
  - 搜狗：2016年识别准确率 97%
  - 讯飞：2016年识别准确率 97%

Findyou部分数据来源：

微软WER 5.9%：https://arxiv.org/abs/1610.05256

微软WER 5.1%： https://www.microsoft.com/en-us/research/wp-content/uploads/2017/08/ms_swbd17-2.pdf

小米电视CER 2.81% ：https://arxiv.org/pdf/1707.07167.pdf

国内百度等同时宣布识别准确率97% ： https://www.zhihu.com/question/53001402

二、HTK工具

了解了ASR相关的指标，需要有工具来进行结果统计计算，

本次主要介绍HTK工具，python也有Levenshtein的库，但没有HResults现成的来的简单。

2.1、HTK工具简介

HTK工具，HTK（HMM Toolkit）一款基于HMM模型(隐马尔可夫模型)的语音处理工具，HTK主要用于语音识别研究，尽管它已被用于许多其他应用，包括语音合成，字符识别和DNA测序的研究。HTK最初是在剑桥大学工程系（CUED）的机器智能实验室（以前称为语音视觉和机器人小组）开发的。后版权辗转到Microsoft，其保留了原始HTK代码的版权，具体介绍请移步HTK官网。

HTK官方主页：http://htk.eng.cam.ac.uk/
最新稳定版：HTK 3.4.1
最新版：HTK 3.5

Findyou：下载你需要先注册用户，记住你的密码，FTP下载的时候需要。

2.2、HResults简介与使用

HTK有一系列工具，但我主要想写的是HResults。

Centos系统编译后的HTK3.4.1版本,HResults下载地址

百度网盘: https://pan.baidu.com/s/1gfm9jjqjZzJXU0lyGrLrCA 提取码: wbfp

»2.2.1 、使用帮助

$ HResults

USAGE: HResults [options] labelList recFiles...

 Option                                       Default

 -a s    Redefine string level label          SENT

 -b s    Redefine unitlevel label             WORD

 -c      Ignore case differences              off

 -d N    Find best of N levels                1

 -e s t  Label t is equivalent to s

 -f      Enable full results                  off

 -g fmt  Set test label format to fmt         HTK

 -h      Enable NIST style formatting         off

 -k s    Results per spkr using mask s        off

 -m N    Process only the first N rec files   all

 -n      Use NIST alignment procedure         off

 -p      Output phoneme statistics            off

 -s      Strip triphone contexts              off

 -t      Output time aligned transcriptions   off

 -u f    False alarm time units (hours)       1.0

 -w      Enable word spotting analysis        off

 -z s    Redefine null class name to s        ???

 -A      Print command line arguments         off

 -C cf   Set config file to cf                default

 -D      Display configuration variables      off

 -G fmt  Set source label format to fmt       as config

 -I mlf  Load master label file mlf

 -L dir  Set input label (or net) dir         current

 -S f    Set script file to f                 none

 -T N    Set trace flags to N                 0

 -V      Print version information            off

 -X ext  Set input label (or net) file ext    lab

HTKBook: https://labrosa.ee.columbia.edu/doc/HTKBook21/node233.html

»2.2.2 、文本转换为MLF文件

测试用例：src.txt (暂时不要去管专业术语)

1 今天天气怎么样

2 明天天气怎么样

Findyou:

1.第一列是数字，主要是为了与ASR结果一一对应

2.我们一般会剔除标点符号计算WER，所以注意去标点符号

src.txt - > src.mlf 文件

#!MLF!#

"*No1.lab"

今

天

天

气

怎

么

样

.

"*No2.lab"

明

天

天

气

怎

么

样

.

Findyou：

1.注意第一行加：#!MLF!#

2.注意"*xxx.lab"

3.注意每句的点

ASR识别结果：testResult.txt 文件

1 惊天天气

2 明天天气怎么样

Findyou：

1.很多时间是自动化执行，或手工执行得到识别结果

2.测试结果，第一列应该与src.txt对齐，通过第一列来识别需要对比的语料。

例：HResults 会根据 "*No1.lab" 对应 "*No1.rec" 来找到对应的文本计算WER。

testResult.txt - > testResult.mlf 文件

#!MLF!#

"*No1.rec"

惊

天

天

气

.

"*No2.rec"

明

天

天

气

怎

么

样

.

Findyou：

1.txt转换到mlf可以用脚本转换，注意双个mlf文件的不同，lab与rec关键字。

»2.2.3 、TXT转换为MLF脚本

src2mlf.py

 1 #-*- coding:utf-8 -*-

 2 import os,sys

 3

 4 def to_mlf(xi):

 5     dx={

 6        "0":"零",

 7        "1":"一",

 8        "2":"二",

 9        "3":"三",

10        "4":"四",

11        "5":"五",

12        "6":"六",

13        "7":"七",

14        "8":"八",

15        "9":"九"

16     };

17     d=[]

18     eng=[]

19     tx=[",",".","!","(",")","，","。","！",'；','、','：','？','“','”'];

20     for x in xi:

21         u=x.encode("utf-8")

22         if u in tx:

23             continue;

24         if len(u)==1:

25             if u in dx:

26                 u=dx[u]

27             eng.append(str(u, encoding='utf-8'))

28         else:

29             if len(eng)>0:

30                 d.append("".join(eng).upper())

31                 eng=[]

32             d.append(str(u, encoding='utf-8'))

33     if len(eng)>0:

34             d.append("".join(eng).upper())

35     return d

36

37 def fn_to_lab(s):

38     x=s.split()

39     for i in x:

40         d=to_mlf(i.strip())

41         if len(d)>0:

42             print("\n".join(d))

43     print('.')

44

45 fn=sys.argv[1]

46 print('#!MLF!#')

47 for l in open(fn):

48     l=l.strip()

49     x=l.split()

50     k=x[0].strip()

51     v=" ".join(x[1:])

52     t=".".join(k)

53     print('"*No%s.lab" ' % t)

54     fn_to_lab(v)

Findyou：

1.此脚本是将测试用例转为src.mlf

2.如需将测试结果testResult.txt 转testResult.mlf，则拷贝一份如 rec2mlf.py，改第53行的关键字lab为rec即可。

脚本使用

1 python src2mlf.py src.txt >src.mlf

2 python rec2mlf.py testResult.txt >testResult.mlf

»2.2.4 、常用命令

以上文2.2.2 举例文本为例

HResults -t -I src.mlf /dev/null testResult.mlf

Aligned transcription: *No.1.lab vs *No.1.rec

 LAB: 今 天 天 气 好 吗

 REC: 惊 天 天 气

    ,-------------------------------------------------------------.

    | HTK Results Analysis at Wed Apr  3 16:26:59 2019            |

    | Ref: src.mlf                                                |

    | Rec: testResult.mlf                                         |

    |=============================================================|

    |           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

    |-------------------------------------------------------------|

    | Sum/Avg |    2  |  76.92   7.69  15.38   0.00  23.08  50.00 |

    `-------------------------------------------------------------'

HResults -t -I src.mlf /dev/null testResult.mlf

Aligned transcription: *No.1.lab vs *No.1.rec

 LAB: 今 天 天 气 好 吗

 REC: 惊 天 天 气

====================== HTK Results Analysis =======================

  Date: Wed Apr  3 16:26:59 2019

  Ref : src.mlf

  Rec : testResult.mlf

------------------------ Overall Results --------------------------

SENT: %Correct=50.00 [H=1, S=1, N=2]

WORD: %Corr=76.92, Acc=76.92 [H=10, D=2, S=1, I=0, N=13]

===================================================================

2.3、HResults样例解析

以一句测试用例与测试结果为例，举实例让大家快速了解HResults的WER。

»2.3.1 只有删除(D)

# 说明

LAB:测试用例

REC:识别结果

# 结果

Aligned transcription: *No.1.lab vs *No.1.rec

LAB: 今 天 天 气 怎 么 样

REC: 今 天 天 气

,-------------------------------------------------------------.

| HTK Results Analysis at Tue Apr  2 22:37:09 2019            |

| Ref: src.mlf                                                |

| Rec: testResult.mlf                                         |

|=============================================================|

|           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

|-------------------------------------------------------------|

| Sum/Avg |    1  |  57.14   0.00  42.86   0.00  42.86 100.00 |

`-------------------------------------------------------------'

...

------------------------ Overall Results --------------------------

SENT: %Correct=0.00 [H=0, S=1, N=1]

WORD: %Corr=57.14, Acc=57.14 [H=4, D=3, S=0, I=0, N=7]

===================================================================

SER(句错率) = 1 / 1 = 100 %
S.Correct(句正确率) = 0 S.H / 1 S.N = 0.00 %
N = 0替换 + 3删除 + 4正确 = 7

WER(字错率) = ( S 0 + D 3 + I 0 ) / 7 = 42.86 %
W.Correct(字正确率) = H / N = 4 / 7 = 57.14 %
W.Accuracy(字准确率) = (H - I)/ N = 1 - W.Err = 57.14 %

»2.3.2 替换(S) + 删除(D)

LAB: 今 天 天 气 怎 么 样

REC: 惊 天 天 气

# 结果

...

|=============================================================|

|           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

|-------------------------------------------------------------|

| Sum/Avg |    1  |  42.86  14.29  42.86   0.00  57.14 100.00 |

`-------------------------------------------------------------'

...

SENT: %Correct=0.00 [H=0, S=1, N=1]

WORD: %Corr=42.86, Acc=42.86 [H=3, D=3, S=1, I=0, N=7]

SER = 1 - S.Corr = 100 %
S.Correct = S.H / S.N = 0.00 %
N = 1替 + 3删 + 3H = 7

WER = (S + D + I ) / N = 57.14 %
W.Correct = H / N = 42.86 %
W.Accuracy = (H - I) / N = 1 - W.Err = 42.86 %

»2.3.3 替换(S) + 删除(D) + 插入(I)

LAB: 今 天     天 气 怎 么 样

REC: 惊 天 田 天 气

# 结果

...

|=============================================================|

|           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

|-------------------------------------------------------------|

| Sum/Avg |    1  |  42.86  14.29  42.86  14.29  71.43 100.00 |

`-------------------------------------------------------------'

...

SENT: %Correct=0.00 [H=0, S=1, N=1]

WORD: %Corr=42.86, Acc=28.57 [H=3, D=3, S=1, I=1, N=7]

SER = 1 - S.Corr = 100 %
S.Correct = S.H / S.N = 0.00 %
N = 1S + 3D + 3H = 7

WER = (S + D + I) / N = 5/7 = 71.43 %
W.Correct = H / N = 42.86 %
W.Accuracy = (H - I) / N = 1 - W.Err = 28.57 %

»2.3.4 全错（结果字数<语料字数）

LAB: 今 天 天 气 好 吗

REC:             不 知 道
...

|=============================================================|

|           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

|-------------------------------------------------------------|

| Sum/Avg |    1  |   0.00  50.00  50.00   0.00 100.00 100.00 |

`-------------------------------------------------------------'

...

SENT: %Correct=0.00 [H=0, S=1, N=1]

WORD: %Corr=0.00, Acc=0.00 [H=0, D=3, S=3, I=0, N=6]

SER = 1 - S.Corr = 100 %
S.Correct = S.H / S.N = 0.00 %
N = 3S + 3D + 0H = 6

WER = (S + D + I) / N = 6/6 = 100.00 %
W.Correct = H / N = 0.00 %
W.Accuracy = (H - I) / N = 1 - W.Err = 0.00 %

»2.3.5 全错（结果字数>语料字数）

LAB:     今 天 天 气 好 吗

REC: 惊 田 田 七 豪 嘛 嘛

...

|=============================================================|

|           # Snt |  Corr    Sub    Del    Ins    Err  S. Err |

|-------------------------------------------------------------|

| Sum/Avg |    1  |   0.00 100.00   0.00  16.67 116.67 100.00 |

`-------------------------------------------------------------'

...

SENT: %Correct=0.00 [H=0, S=1, N=1]

WORD: %Corr=0.00, Acc=-16.67 [H=0, D=0, S=6, I=1, N=6]

SER = 1 - S.Corr = 100 %
S.Correct = S.H / S.N = 0.00 %
N = 6S + 0D + 0H = 6

WER = (S + D + I) / N = 7/6 = 116.67 %
W.Correct = H / N = 0.00 %
W.Accuracy = (H - I) / N = 1 - W.Err = -16.67 %

htk

ASR测试方法---字错率(WER)、句错率(SER)统计

一、基础概念

1.1、语音识别(ASR)

1.2、句错率(SER)

SER = 错误句数 / 总句数

1.3、句正确率(S.Corr）

S.Corr = 1 - SER = 正确句数 / 总句数

1.4、字错率(WER/CER)

»1.4.1 、计算原理

»1.4.2、计算公式(重要)

WER = (S + D + I ) / N = (S + D + I ) / (S + D + H )

»1.4.3、 问题

1.5、字正确率(W.Corr）

W.Corr = ( N - D - S ) / N = H / N

1.6、字准确率(W.Acc）

W.Acc = 1 - WER = ( N - D - S - I ) / N = (H - I) / N

1.7、聊点其他

ASR影响素因

行业水平

二、HTK工具

2.1、HTK工具简介

2.2、HResults简介与使用

»2.2.1 、使用帮助

»2.2.2 、文本转换为MLF文件

»2.2.3 、TXT转换为MLF脚本

»2.2.4 、常用命令

2.3、HResults样例解析

»2.3.1 只有删除(D)

»2.3.2 替换(S) + 删除(D)

»2.3.3 替换(S) + 删除(D) + 插入(I)

»2.3.4 全错（结果字数<语料字数）

»2.3.5 全错（结果字数>语料字数）

»1.4.3、问题