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。
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
（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("
".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 %