声音是怎么变成文字的 —— 现代 ASR 全景图

def align(ref, hyp): """编辑距离:把 ref 改成 hyp 最少要几步(替换/插入/删除各计 1)""" R, H = len(ref), len(hyp) cost = [[0]*(H+1) for _ in range(R+1)] for i in range(R+1): cost[i][0] = i for j in range(H+1): cost[0][j] = j for i in range(1, R+1): for j in range(1, H+1): sub = 0 if ref[i-1] == hyp[j-1] else 1 cost[i][j] = min(cost[i-1][j] + 1, # 删除 cost[i][j-1] + 1, # 插入 cost[i-1][j-1] + sub) # 替换或匹配 i, j = R, H; S = I = D = 0 while i or j: # 回溯数出每种操作各几次 if i and j and cost[i][j] == cost[i-1][j-1] + (ref[i-1] != hyp[j-1]): S += ref[i-1] != hyp[j-1]; i, j = i-1, j-1 elif i and cost[i][j] == cost[i-1][j] + 1: D += 1; i -= 1 else: I += 1; j -= 1 return cost[R][H], S, I, D def report(name, ref, hyp): d, S, I, D = align(ref, hyp) print(f"{name}: 错 {d} 处 (替换 {S} / 插入 {I} / 删除 {D}) 错误率 = {d}/{len(ref)} = {d/len(ref):.2f}") ref_c = "今天我们要发布新的语音识别模型" hyp_c = "今天我们要发佈新的语音识别模型" # 改我:多字、漏字、换字试试 report("CER 字级", ref_c, hyp_c) ref_w = "今天 我们 要 发布 新 的 语音 识别 模型".split() # 词级按空格切词 hyp_w = "今天 我们 要 发佈 新 的 语音 识别 模型".split() report("WER 词级", ref_w, hyp_w)