資料內(nèi)容：
一、語音識別 ASR
語音識別（Automatic Speech Recognition），一般簡稱 ASR，是將聲音轉化為文字的過
程，相當于人類的耳朵。
1、識別率
看純引擎的識別率，以及不同信噪比狀態(tài)下的識別率（信噪比模擬不同車速、車窗、空調
狀態(tài)等），還有在線/離線識別的區(qū)別。
實際工作中，一般識別率的直接指標是“WER（詞錯誤率，Word Error Rate）”
定義：為了使識別出來的詞序列和標準的詞序列之間保持一致，需要進行替換、刪除或者
插入某些詞，這些插入、替換或刪除的詞的總個數(shù)，除以標準的詞序列中詞的總個數(shù)的百
分比，即為 WER。
公式為：
Substitution——替換
Deletion——刪除
Insertion——插入
N——單詞數(shù)目
3 點說明：
WER 可以分男女、快慢、口音、數(shù)字/英文/中文等情況，分別來看。
因為有插入詞，所以理論上 WER 有可能大于 100%，但實際中、特別是大樣本量的時候，是
不可能的，否則就太差了，不可能被商用。
站在純產(chǎn)品體驗角度，很多人會以為識別率應該等于“句子識別正確的個數(shù)/總的句子個
數(shù)”，即“識別（正確）率等于 96%”這種，實際工作中，這個應該指向“SER（句錯誤率，
Sentence Error Rate）”，即“句子識別錯誤的個數(shù)/總的句子個數(shù)”。不過據(jù)說在實際
工作中，一般句錯誤率是字錯誤率的 2~3 倍，所以可能就不怎么看了。
2、語音喚醒相關的指標
先需要介紹下語音喚醒（Voice Trigger，VT）的相關信息。
（1）語音喚醒的需求背景
近場識別時，比如使用語音輸入法時，用戶可以按住手機上 siri 的語音按鈕，直接說話
（結束之后松開）；近場情況下信噪比（Signal to Noise Ratio, SNR）比較高，信號清
晰，簡單算法也能做到有效可靠。
但是在遠場識別時，比如在智能音箱場景，用戶不能用手接觸設備，需要進行語音喚醒，
相當于叫這個 AI（機器人）的名字，引起 ta 的注意，比如蘋果的“Hey Siri”，Google
的“OK Google”，亞馬遜 Echo 的“Alexa”等。
（2）語音喚醒的含義
簡單來說是“喊名字，引起聽者（AI）的注意”。如果語音喚醒判斷結果是正確的喚醒
（激活）詞，那后續(xù)的語音就應該被識別；否則，不進行識別。
（3）語音喚醒的相關指標
a. 喚醒率。叫 AI 的時候，ta 成功被喚醒的比率。b. 誤喚醒率。沒叫 AI 的時候，
ta 自己跳出來講話的比率。如果誤喚醒比較多，特別比
如半夜時，智能音箱突然開始唱歌或講故事，會特別嚇人的……
c. 喚醒詞的音節(jié)長度。一般技術上要求，最少 3 個音節(jié)，比如“OK Google”和“Alexa”
有四個音節(jié)，“Hey Siri”有三個音節(jié)；國內(nèi)的智能音箱，比如小雅，喚醒詞是“小雅小
雅”，而不能用“小雅”——如果音節(jié)太短，一般誤喚醒率會比較高。
d. 喚醒響應時間。之前看過傅盛的文章，說世界上所有的音箱，除了 Echo 和他們做的
小雅智能音箱能達到 1.5 秒，其他的都在 3 秒以上。
e. 功耗（要低）?？催^報道，說 iPhone 4s 出現(xiàn) Siri，但直到 iPhone 6s 之后才允許不
接電源的情況下直接喊“Hey Siri”進行語音喚醒；這是因為有 6s 上有一顆專門進行語
音激活的低功耗芯片，當然算法和硬件要進行配合，算法也要進行優(yōu)化。
