北京
“请把报告发过来。”“现在取消会议。”八个普通单词，转写系统可以一个不差地全部识别正确，却仍然把说话人认错。对会议助手来说，这是个尴尬的特性——尤其是当说“取消”的那个人，被系统分配了待办事项。
英伟达发布 Nemotron 3.5 Transcribe，把转写和说话人归属放进了同一个检查点。发布材料里讨论了词错误率、说话人分离错误率和拼接最小排列词错误率。这几个数字回答的其实是不同的问题。
为了把差别摆出来，可以做一个很小的打分示例。它用的是虚构文本，不是模型生成的转写结果。同样八个单词，按时间顺序的词错误为零，按说话人归属的词错误却是 50%。
把词分给错的人
参考文本里有两个说话人：A 说“please send the report”，B 说“cancel the meeting now”。现在假设识别出的词在时间顺序上完全正确，但说话人标签在话轮两端发生了互换。把每个预测说话人的词收集起来，假设文本就变成了：X 说“please send the meeting now”，Y 说“cancel the report”。
“report”跑到了 Y 名下，“meeting now”跑到了 X 名下。整段录音里没有哪个词消失，变的是归属。如果把识别出的词按原始时间顺序摊平，再和实际说出的序列比对，词错误率就是零——这个比对刻意丢掉了说话人标签。这是一次有用的转写检查，却是一次不完整的会议检查。
名字可以变，归属要诚实
说话人标签通常是随意的。系统可能把第一个人叫 speaker_0，也可能叫 Alice 或 X。打分器不该因为 A 变成了 Y，就惩罚一份正确的转写。拼接最小排列词错误率（cpWER）处理的就是这个命名问题：按顺序收集每个说话人的词，尝试参考说话人与预测说话人之间的各种对应关系，取词编辑次数最少的那种对应，再除以参考词总数。
在这个例子里，A 对应 X、B 对应 Y 需要四次编辑：A 的“report”变成“meeting now”，是一次替换加一次插入；B 的“meeting now”变成“report”，是一次替换加一次删除。另一种对应代价更高。最小值因此是 4 / 8 = 50%。
一个完整的迷你打分器会穷举所有排列，这对两个说话人很方便，对一场大型会议则是糟糕的方案。实用版本里，MeetEval 用的是分配算法。示例代码的关键输出是四行：
- 按时间顺序的词错误：0 / 8
- 说话人归属错误：4 次编辑，参考词 8 个，比率 0.5
- 仅互换说话人名字：0 次编辑，比率 0.0
- 第二个说话人缺失：4 次编辑，比率 0.5
这个实现曾在三个展示用例和另外 30 个生成用例上与 MeetEval 0.4.3 核对，编辑次数和参考词分母都一致。这检验的是打分代码，和某个语音识别模型的准确率无关。标签互换的对照很关键：如果仅仅交换两个名字就让分数变差，那打分器衡量的就是标签拼写，而不是谁说了什么。
看榜单时别忘了任务本身
英伟达报告称，在 Open ASR 对比中平均英语词错误率为 5.33%，在 VoiceArena 的全会话对比中 cpWER 约为 32.4%。这两个数字来自不同的评测设置，把其中一个除以另一个，并不能测出说话人归属的惩罚。
同样的区分也适用于说话人分离错误率（DER）。它衡量的是说话人-时间，cpWER 统计的是分配说话人流之后的词编辑。两者之间不存在通用的换算关系。
对会议产品来说，几个检查应该并排放：词、带说话人归属的词、漏掉的说话人，以及对困难话轮的实际试听。一份转写可以读起来很漂亮，同时把一句反对、一个承诺或一项决定记到了错误的人头上。
常见的错误是，把一份漂亮的纯词错误率结果当成说话人标注纪要可靠的证据。分母可能是词，但产品失败的地方往往是归属。这个迷你打分器还忽略了时间戳和重叠语音：说话人可能拿到正确的词，时间排列却是错的，而这项检查不会告诉你完整的故事。文本规范化也需要明确的策略——标点、数字和领域术语，在说话人分配开始之前就能改变编辑次数。
这次发布值得为它合并的语音任务试一试。评估上的教训在任何检查点下载之前都用得上：先确定应用需要的是词、说话人时间线，还是两者都要，然后针对那个实际输出打分。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
