もう少し詳しく

単語誤り率(WER、Word Error Rateの略)とは、AIが音声を文字に変換する際に、単語をどれだけ間違えたかを示す指標しひょうです。正しい文章と比べて、単語の置き換え・余分な挿入・欠落がどれだけあったかを数え、それを全体の単語数で割って割合(パーセント)として表します。数値が低いほど、聞き取りの精度が高いことを意味します。

近年の高性能な音声認識おんせいにんしきAIでは、WERが数パーセント程度まで下がっており、人間が聞き取って書き起こす場合の誤り率に近づきつつあるとされています。ただし、周囲の雑音や話者のなまり、専門用語の多さなど、条件によってWERは大きく変動します。

どこで使われるか

WERは、音声をテキストに変換する文字起こしAIや音声アシスタントの性能を比較するときに、業界共通の指標として広く使われます。AI企業が新しい音声認識モデルを発表する際、「WER◯%を達成した」という形で性能をアピールすることがよくあります。

会議の自動議事録作成、コールセンターの通話記録のテキスト化、動画の自動字幕生成など、音声を文字に変換する多くのサービスの裏側で、開発時の精度評価に使われています。

身近な例

スマートフォンの音声入力や、オンライン会議サービスの自動字幕機能を使ったとき、誤って変換された単語が多いと感じることがあります。これは、その場面でのWERが高くなっている状態と言い換えられます。逆に、ほとんど誤変換がなければ、その条件下でのWERは低い、ということになります。

注意点

WERは便利な指標ですが、数値だけを比較する際には注意が必要です。測定に使う音声データの種類(雑音の有無、話す速さ、言語など)が異なれば、同じAIモデルでもWERの数値は変わります。複数のAIモデルを比較する際は、同じ条件・同じデータで測定された数値かどうかを確認することが大切です。