电气工程与系统科学 > 音频与语音处理
[提交于 2025年8月4日
]
标题: 长文本多说话人语音识别的词错误率定义和算法
标题: Word Error Rate Definitions and Algorithms for Long-Form Multi-talker Speech Recognition
摘要: 评估语音识别器的主要指标,词错误率(WER)已以不同方式扩展,以处理由长篇多说话人语音识别器生成的转录文本。这些系统处理包含多个说话人和复杂说话模式的长转录文本,因此经典的WER无法应用。有基于说话人的方法,如连接最小排列WER(cpWER)和时间约束的cpWER(tcpWER),以及与说话人无关的方法,旨在忽略说话人混淆错误,如最优参考组合WER(ORC-WER)和MIMO-WER。这些WER评估不同的方面和错误类型(例如,时间错位)。尚未进行详细比较。因此,我们提出了现有WER的统一描述,并突出说明何时使用哪种指标。为了进一步分析由说话人混淆引起的错误数量,我们提出了无日志信息的cpWER(DI-cpWER)。它忽略说话人归因错误,其与cpWER的差异反映了说话人混淆对WER的影响。由于错误类型无法可靠地自动分类,我们讨论了可视化参考和假设转录文本之间序列对齐的方法,以帮助人工判断者发现错误。由于某些WER定义具有较高的计算复杂度,我们引入了一种贪心算法,以高精度(在我们的实验中偏差为$<0.1\%$)和多项式复杂度代替指数复杂度来近似ORC-WER和DI-cpWER。为了提高这些指标的合理性,我们还将来自tcpWER的时间约束引入ORC-WER和MIMO-WER,也显著降低了计算复杂度。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.