wer метрика, или Word Error Rate, используется для оценки систем автоматического распознавания речи, голосовых ассистентов, транскрибации звонков и мультимодальных ИИ-сервисов. Она показывает, насколько текст, сгенерированный моделью, отличается от эталонной расшифровки. Чем ниже значение WER, тем ближе результат нейросети к ожидаемому тексту. В сфере искусственного интеллекта WER стала одной из базовых метрик для сравнения ASR-моделей. Она учитывает три типа ошибок: замены слов, пропуски и лишние вставки. Если модель вместо одного слова распознала другое, не заметила часть фразы или добавила слово, которого не было в речи, это отражается в итоговом показателе. Такой подход делает метрику удобной для быстрой оценки качества, особенно когда нужно сравнить несколько версий модели или проверить работу системы на разных наборах данных. Главное преимущество WER — простота интерпретации. Показатель в 10% означает, что примерно каждое десятое слово в распознанном тексте содержит ошибку относительно эталона. Для бизнеса это помогает оценивать применимость голосового ИИ в реальных сценариях: контакт-центрах, медицинской диктовке, субтитрах, голосовом поиске, системах аналитики переговоров. Чем критичнее точность текста, тем строже требования к WER. Однако wer метрика не всегда полностью отражает пользовательское качество. Одна ошибка может быть почти незаметной, если смысл фразы сохранился, а другая способна исказить важную информацию: дату, сумму, имя клиента или медицинский термин. При этом обе ошибки формально могут иметь одинаковый вес. Поэтому в современных ИИ-проектах WER часто рассматривают вместе с другими показателями: точностью по ключевым словам, семантической близостью, качеством пунктуации, диаризацией спикеров и устойчивостью к шуму. Особенно важен контекст языка. Для русского распознавания речи WER зависит от морфологии, ударений, разговорных сокращений, фонового шума, качества микрофона и предметной области. Модель, хорошо работающая на новостных записях, может показывать заметно худший результат на спонтанной речи в колл-центре или на технических совещаниях. Поэтому сравнение WER имеет смысл только при понятном датасете и прозрачных условиях тестирования.