如果您一直在比较语音输入软件，大概已经收集了一堆百分比——99%、97%、95%——却发现它们对您做选择没什么帮助。这不是因为这些数字不诚实，而是因为单一的准确率数字回答的，是和您要问的问题不一样的另一个问题。
您想知道的是： 在我的书桌前、用我的麦克风，这款软件能把我理解到什么程度？ 而公布的准确率数字回答的是： 这个引擎在转录一批我们谁都没听过的特定录音时，表现如何？ 这两个问题的答案可能天差地别。
这个页面解释了这项测量是如何进行的，这样您在看到任何厂商公布的数字时——包括您在我们这里看到的数字——都能明白它到底值多少参考价值。
词错误率，说人话
语音识别准确率通常以 词错误率来报告，通常缩写为 WER。它指的是识别结果中出错的词所占的比例。数值越低越好，“95% 准确率”其实就是“5% 词错误率”的另一种说法。
怎样才算“出错”，比大多数人想象的要具体得多。错误分为三类，会被加在一起计算：
- 替换错误 ——一个词被识别成了另一个词。您说的是“their”，它打出来的是“there”。
- 遗漏错误 ——您说过的一个词，在转录结果里不见了。
- 插入错误 ——出现了一个您根本没说过的词。背景说话声和呼吸噪音是常见的原因。
把这三类错误加起来，再除以您实际说出的词数。比如您口述了一段 100 词的文字，转录结果里有四个词错了、少了一个词、多了一个词：也就是 100 个词里出了六个错，词错误率为 6%，也就是“94% 准确率”。
有一个结果值得了解，因为它能解释不少令人困惑的宣传说法： 词错误率可以超过 100%。如果软件插入的多余词语比您实际说的词还多——在嘈杂的房间里就会发生这种情况——错误数就可能超过词数本身。一个永远不会超过 100 的数字，其实就不是真正的词错误率。
为什么同一款软件给两个人的结果不一样
识别引擎只是决定准确率的因素之一，而且往往还不是最重要的那个。剩下的因素取决于您自身的情况：
- 您的麦克风，以及它放在哪里。 这通常是影响最大的单一因素，也是最容易改善的。距离嘴边只有几厘米的耳麦麦克风，和放在桌子另一头的笔记本电脑麦克风，听到的内容会完全不同。
- 房间环境。 背景里的电视声、风扇声、打开的窗户、有回声的硬质表面房间——这些声音都会和您的声音一起传到识别系统里。
- 您口述的内容本身。 日常语句是最容易的情况。人名、医学或法律术语、零件编号、地址和缩写要难得多，因为软件需要在发音相近的词之间做出判断。
- 您说话的方式。 口音、语速、音量、是否把句子连在一起说、说到后面是否越来越轻——这些都不是缺点，只是引擎能不能处理好的一种差异而已。
- 您使用的是哪个模型。 大多数本地处理软件都会提供几种不同大小的模型。能在老旧笔记本电脑上流畅运行的小模型，出错通常会比在高性能电脑上运行的大模型更多。
两个人使用完全相同的软件、完全相同的设置，仅凭以上这些因素，结果就可能相差好几个百分点。这个差距，任何公布的数字都无法替您填补。
跑分数字到底测量的是什么
公布的词错误率来自标准的研究数据集——一批固定的录音，配有经过核实的转录文本，方便不同系统在相同材料上打分比较。这对开发软件的人来说确实很有用：这是判断这个月的模型是否比上个月更好的方法。
但作为购买参考，它的用处要小得多，原因有三：
- 录音里的人不是您。 跑分用的音频有它自己的口音、自己的麦克风、自己的主题内容，这些都跟您没有关系。
- 不同厂商测试的项目也不同。 在两个不同数据集上测出的两个数字，即便双方都如实公布，也没有可比性。同一个引擎，处理朗读式有声书语音和处理即兴对话，得出的分数会完全不同。
- 测试条件常常被省略不提。 一个没有说明数据集、麦克风和说话方式的数字，是一个您无从核实的说法。
当您看到一个数字时，值得问的不是“它高不高”，而是“它是在什么条件下测出来的”。如果没有说明，这个数字就只是装饰。
两种不同的设计理念
较早和较新的识别技术之间存在真实的技术差异，这一点值得了解，因为它会改变“准确率”对某款具体产品到底意味着什么。
可训练档案。 传统的桌面方案会为您个人的声音和词汇建立一份档案。您需要先花时间设置，之后还可以持续训练它——加入您自己的专业术语、同事的姓名、您所在行业常用的词语。Dragon 是采用这种方式的最知名产品，Nuance 自己的资料宣称识别准确率最高可达 99%。相应的代价是设置所需的时间，以及这份档案需要您自己持续维护。
通用模型。 较新的方案是用极其广泛的语音数据一次性训练出一个大模型，然后把同一个模型分发给所有人。OpenAI 的 Whisper 模型是最知名的开放示例；Whisper 的原始论文描述其训练用了大约 68 万小时的音频。这种方式没有注册训练步骤——安装好就能直接开口说话——但同样也无法针对您的声音进行训练。除了软件在模型之外附加的功能（比如个人词汇表）之外，您第一天用到的效果，和之后用到的大体上是一样的。
两种方案并没有哪个绝对更好。如果您整天都要口述专业词汇，能够训练软件这一点就实实在在值这个价钱。如果您只是想装上就用、今天下午就要用，那注册训练环节就只是有成本没好处。您属于哪一种情况，不是一个百分比数字能告诉您的。
用十分钟，在自己的声音上测试一下
这是唯一能回答您真正问题的测试方法，而且在任何提供试用的语音输入工具上都很容易操作——包括您电脑上已有的免费工具。
- 先写一段短文字 ——150 到 200 词左右。用您自己平时写的内容，而不是范文：您的邮件风格、您常写的主题、您实际会打的那些人名。
- 把它对着软件大声读出来 按您平时说话的方式，坐在您平时坐的地方。
- 把两段文字放在一起对比 数出替换、遗漏和插入错误各有多少，再除以总词数。
- 换用耳麦麦克风再测一次 如果您第一次用的是内置麦克风的话。光是这一个改变，往往比换一款产品更有效果。
- 然后再做一次真实场景的测试。 口述一些没有事先写好的内容——比如一封真实的邮件——因为照着文字念，比凭脑子直接说要容易得多，而第二个数字才是您日后要面对的真实结果。
用同一段文字在两三款工具上分别测试，您就能得到任何测评都给不了您的东西：一份基于您的声音、您的麦克风和您房间的真实对比。如果某款工具不能先试用再付费，这一点也值得纳入考虑。
如何解读测试结果
词错误率相差几个百分点，重要性其实不如错误出现在哪里。一款偶尔漏掉几个短词、但每个人名都识别准确的软件，用起来会比一款分数更高、却总是把同事姓名弄错的软件更让人省心。改正一个错词只需要一点时间，但发现它需要的是注意力。
所以要评判的是转录结果本身，而不是那个数字。读一读出来的内容，看看需要花多少功夫去整理，再想想这是不是比打字更省事。这就是全部的问题所在。
CaringDictate 处于什么位置
我们不公布一个准确率百分比。我们本可以像所有人一样给出一个数字，但那是在不是您声音的录音上测出来的，把它当作对您实际体验的预测来呈现，会有误导性。
CaringDictate 使用开放的语音识别模型，在您自己的电脑上运行，并提供几种不同大小的模型，以适配您现有的设备。我们提供 7 天免费试用，正是为了让这个问题由您自己的声音来解答，而不是由我们的宣传来解答。如果您按上面的方法测试后，发现 Windows 自带的免费语音输入已经足够好用，那也是个好结果——用它，把钱省下来。
接下来该去哪里
信息流顶部那个 语音输入术语表 解释了您在挑选产品过程中会遇到的其他术语。 Dragon 对比 介绍了产品层面的差异，而 隐私指南 则说明了本地处理和云端处理工具中，您的音频数据会流向何处。