2.8 声学模型评估指标
2.8 声学模型评估指标
模型练好了，得先自己在车棚里验个相位，再拉出去比 WER。声学模型自身的评估跟整句 WER 不是一回事：前者看状态准确率、音素错误率这类细粒度指标，后者看完整句子。本节把这套指标的关系讲清楚，免得你做调参时用错尺子。
学习目标
- 能区分"声学级指标"（帧/音素正确率）与"系统级指标"（WER）。
- 能说出音素错误率 PER 与帧准确率各自的颗粒度与局限。
- 能理解为什么"帧准确率高"不一定意味着"WER 低"。
- 能把模型评估指标对应回训练准则，看懂"对齐准不准"的评估作用。
一、体检先量"局部的尺"
整条流水线的最终成绩是 WER（词错误率），可它是加了语言模型和解码以后的成品分，声学模型改一改它也未必直接反映。找模型自己的毛病，得先有局部的尺：帧准确率、音素错误率 PER、状态错误率。它们把评估下沉到"这一帧对不对、这个音素换没换错"，能帮我们辨识到底是声学模型吃亏还是语言模型/解码吃亏。
二、音素错误率 PER：最接近模型本质
音素错误率把识别输出的音素序列和参考串做编辑距离对齐，数一数少读、多读、错读各占多少，得到一个百分比。它不含词与语法，直接看到发声前端的问题。对单音素比较稳定的语言，这是相当可用的聚焦指标。它的局限也清楚：完全忽略语言层面，可能音素全对、句子却错得离谱。
三、帧准确率：另一把，小心它的迷惑性
帧准确率把每帧预测的状态与对齐真值比，看似很直接，但两个毛病让它容易误导人。其一，语音相邻帧高度相似，模型只需做个低风险"蹲守"（一直押在常见状态上）就能刷高分数，未必真的分辨力强。其二，它依赖对齐的准确度，对齐本身错了，分数再高也没意义。所以帧准确率高，不等于 WER 低；靠它做精细调参要留神。
上面把两种"里子指标"接到"成品指标"上去：里子指标能定位声学侧，成品指标才是对外承诺。
四、评估与训练准则的呼应
这两把尺和上一节讲的训练准则对得上。用最大似然训练的模型，比较顺眼的是"像不像"类指标，帧似然、对数似然能看齐；判别式模型则更配"分得开"类指标，如状态误判率。评估指标选歪了，等于拿一把不合身的尺去量，容易得出"我调得好不好"的错误结论。
五、手动算一次 PER
公式学不牢，算一遍就懂。假设参考的音素序列是 a / h / a / o 共 4 个音素，模型识别出来的是 a / a / o，逐一对齐会发现在 a 之后少了一个 h，于是我们把"少读"记为 1 个。编辑距离把"替换、插入、删除"统称为错误操作，这一例里错误数是 1（删掉那个多余的 h 就回到参考），参考长度 4，所以音素错误率是 1 ÷ 4 = 25%，即 PER 为 25%。
再看一个含替换的例子：参考 a / b / c，识别 a / x / c，需要一个替换，错误数 1，PER 也是 25%。要点在于：PER 数的是"从识别结果变成参考串最少要动几刀"，再除以参考串的长度。动刀次数越少、结果越短，PER 越小越好。三把尺子放一起，颗粒度与用途很容易分清：
| 指标 | 颗粒度 | 好不好用 | 什么时候看 |
|---|---|---|---|
| 帧准确率 | 帧 | 易被蹲守刷高 | 粗看前端 |
| 音素错误率 PER | 音素 | 聚焦发声、忽略语法 | 定位声学侧问题时 |
| 词错误率 WER / 字错误率 CER | 词/字 | 成品，可对外承诺 | 最终验收与上线 |
一句话：调声学模型的细枝末节时盯 PER，向外汇报整条线成绩时报 WER，别把两把尺子混着当同一件事。
六、一张"高还是低"都会骗人的账
把指标放到一句话里，就知道直接读高低会踩坑。设某个系统帧准确率冲到 93%，WER 反而比一个帧准确率只有 90% 的系统更难看。原因有二：其一，帧准确率被"蹲守"刷高——模型死押对话里出现频次高的停顿和静音状态，话都没怎么听就拿了高分；其二，帧对但词错——每个状态都蒙对了，却在边界上多出一个音、少了一个元音，累成词级错误。这提醒你，评估指标从来不是"越高越好"的忠实仆人，而是一把有偏好的尺，用错尺量，判断就会错位。
那么怎么配才稳？实践里最实用的一招是分开看两层：声学侧问题看 PER 与帧准确率的走势，系统侧问题看 WER/CER 与延迟。若 PER 持平而 WER 变差，问题多半在语言模型或解码；若 PER 变差而 WER 持平，那是声学侧被别处掩盖。把两层指标做成一张"十字对照表"，每次改参数都填一次，几轮下来就能把每根旋钮的脾气摸清：
| 场景 | PER 走势 | WER 走势 | 大概率下手处 |
|---|---|---|---|
| WER 涨、PER 平 | 平 | 涨 | 语言模型 / λ / 解码 |
| PER 涨、WER 平 | 涨 | 平 | 声学模型报错被别处掩盖 |
| 都涨 | 涨 | 涨 | 波形/特征这段地基 |
| 都稳 | 稳 | 稳 | 守住基线，别乱动 |
这张表和 2.7 的对齐坑、5.3 的排错清单是同一套"由指标回部件"的思路：先把数字读对，再让数字指认部件，最后才动手调。用一个医生的比方收口——WER 是"病人最后好没好"，PER 是"耳朵那条神经到底有没有出毛病"，而帧准确率是"听诊器读数"。不同症状不同尺度，混着当同一回事，早晚误诊。
最后提醒一句，别让人误解本章的立场：这些说的都是"声学模型自己"的体检，不等于整条线对外承诺的验收指标。对外报"识别准确率多少"，永远用系统级 WER/CER；对内追"声学模型健不健康"，才看 PER 与帧准确率。把"对外诚实、对内锋利"这两套尺分清楚，是本章最该带走的一条工程准则。它也会在 5.1 到 5.3 的整套体检里，帮你把"该信哪个数"这件事从一开始就摆对。
本节要点回顾
- 两类尺子：里子指标（PER、帧准确率）定位声学模型，成品指标 WER 是最终成绩。
- PER：音素级编辑距离，看发声前端，忽略语法。
- 帧准确率：直接但容易被"蹲守常见状态"刷高，还依赖对齐质量。
- 呼应准则：最大似然配像类指标，判别式配分得开指标。
- 用法：调声学模型用里子尺，对外报结果用 WER。
声学这一侧走完了。下一章我们去语言侧，看看另一台发动机是怎么给词序列打"像不像人话"的分。