AI_Gump的博客

本文的参考文献共有311篇，从1964年到2020年的说话人识别论文都有涉及，系统的读参考文献也是了解入门的好方法，能清晰的看到几十年来人们一直在关注什么问题，用什么方法去尝试解决，又在哪些地方有突破性的进展。正确率（Accurancy, 预测值将输入标签识别正确的比例），召回率（Recall，预测值中的语音片段占整体语音片段的比例）和准确率（Precision， 检测出来的语音标签中真正的语音标签的比例）。语音会被划分为说话人组，语音非语音的片段或说话人转变等事件会被检测出来。话者分离常用的指标是。

带入上面公式，S表示将Hyp转化为Ref时发生的替换数量，D表示将Hyp转化为Ref时发生的替换数量，I代表将Hypo转化为Ref时发生的插入数量，N代表Ref句子中总的字数或者英文单词数。定义：为了使识别出来的词序列和标准的词序列之间保持一致，需要进行替换、删除或者插入某些词，这些插入、替换或删除的词的总个数，除以标准的词序列中词的总个数的百分比，即为WER。因为英文语句中句子的最小单位是单词，而中文语句中的最小单位是汉字，因此在中文语音转文本任务或中文语音识别任务中使用。