最近這幾天有相關的語音轉文字的測試，主要是針對幾個供應商提供的接口，然后對識別結果進行校對和評估，來確認哪個供應商提供的品質和性價比等更好。
然后自學了下語音轉文字的一些測試方法，記錄下來，方便使用。
參考鏈接：軟件測試之語音識別(ASR)測試
一、語音識別(ASR)評估指標
在測試語音識別的過程中，衡量識別內容的准確性，一般通過如下指標進行評估
- WER(Word Error Rate,詞錯率)
定義：為了使識別出來的詞序列和標准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，除以標准的詞序列中詞的總個數的百分比，即為WER
WER=(S+D+I)/N
S:substitution,替換
D:Deletion,刪除
I:Insertion,插入
N:標准詞序列中詞的總個數
(S+D+I)=識別出來的詞序列與標准的詞序列之間的編輯距離
注意：因為有插入詞(Insertion)，所以可能會出現WER>1的情況，不過，WER>1時，表明識別出來的詞序列和標准的詞序列相差很大，識別效果特別差
- SER(Sentence Error Rate,句錯率)
定義：句子中如果有一個詞識別錯誤，那么這個句子被認為識別錯誤，句子識別錯誤的個數，除以總的句子個數即為SER
SER=SE/N
SE:識別出來的序列中，識別錯誤的句子個數（即WER!=0的句子個數）
N:標准序列中總句子個數
二、語音識別(ASR)思路
(1)、語音識別的測試點主要包括如下幾點：
i.輸入測試語音
（中間過程：語音識別模塊接收到測試語音，執行語音轉文字操作，並將識別文字輸出）
ii.驗證識別文字內容的准確性
iii.語音識別耗時
(2)、 測試語音的輸入，主要包括以下幾個方面：
①語音輸入離拾音設備的距離：近距離、遠距離
②拾音設備：移動端(安卓、IOS)原生麥克風、PC端原生麥克風、日常用耳機麥克風、專業設備麥克風(羅技等)
③語音輸入與拾音設備的相對位置：正對拾音口，背對拾音口
④語音輸入的環境：辦公環境、會議室環境
⑤語音輸入時的語速：正常語速、語速較快、語速較慢、時快時慢、斷斷續續
⑥語音輸入時的音量：正常音量、音量較大、音量較小，時大時小
⑦語音輸入時的音色：男聲、女聲
⑧語音輸入的音頻類型：自然人聲、錄音、廣播、變聲等
(3)、測試識別內容，主要包括以下幾個方面：
①支持識別的語種：普通話、英文、方言等
②支持的應用場景：日常對話、盡職調查、娛樂訪談等
③支持的對話模式：單人對話，多人對話，同一時間只有一個人說話，同一時間多人一起說話
④覆蓋的詞庫內容：根據應用場景，是否包含了應用場景(比如金融、娛樂領域)對應的詞庫訓練
(4)、驗證識別內容的准確性
統計識別文字的WER、SER指標
(5)、關注語音識別耗時
①短語音的識別耗時
②長語音的識別耗時
三、WER、SER指標的計算
①計算識別的詞序列與標准的詞序列之間的編輯距離
②計算WER
③計算SER