---
title: "Ano ang word error rate (WER)? Formula at halimbawa | BroadRouter"
description: "Sinusukat ng word error rate ang accuracy ng speech-to-text: substitution, deletion at insertion sa reference words. Formula, halimbawa, at paano ito basahin."
url: https://broadrouter.com/fil/glossary/word-error-rate/
lang: fil
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/glossary/word-error-rate/) (na-update noong 2026-11-16).

# Word error rate (WER)

Na-update 2026-11-16

Ang word error rate (WER) ay ang karaniwang sukatan ng accuracy sa speech recognition: ang bilang ng substitution, deletion at insertion ng salita na kailangan para gawing tamang reference ang isang transcript, hinati sa bilang ng salita sa reference. Mas mababa, mas maganda.

Tinatawag ding: WER, word error rate, ASR accuracy, transcription accuracy, word accuracy, accuracy ng transcription

Isang tanong ang sinasagot ng WER: sa bawat 100 salitang binigkas ng isang tao, ilan ang mali sa transcript?

## Paano ito gumagana

Itapat ang transcript ng model sa tamang reference na gawa ng tao, saka bilangin ang tatlong uri ng mali:

-   **S**ubstitutions: maling salita kapalit ng tama;
-   **D**eletions: salitang binigkas pero nawawala;
-   **I**nsertions: salitang hindi binigkas pero lumitaw.

`WER = (S + D + I) / N`, kung saan ang N ay ang bilang ng salita sa reference.

Halimbawa. Ang reference ay “please send the invoice to our office today” (8 salita). Ganito ang transcript: “please send an invoice to office today now”:

| Mali | Bilang |
| --- | --- |
| “the” → “an” | 1 substitution |
| nawawala ang “our” | 1 deletion |
| nadagdag ang “now” | 1 insertion |

WER = 3 / 8 = 0.375, o 37.5%. Ayon sa Wikipedia, word-level na edit distance ang WER, at dahil walang cap ang mga insertion, ito ay “can be larger than 1.0.” (Salin: “puwedeng lumampas sa 1.0.”)

Kinukuwenta ito ng mga tool gaya ng `jiwer` Python package. I-normalize muna ang dalawang text: case, bantas, mga numerong nakasulat bilang digit o salita, at para sa Arabic, mga diacritic at anyo ng alef o yaa. Ang mga desisyon sa normalization pa lang ay puwede nang magpabago nang malaki sa score.

## Bakit ito mahalaga

-   **Pagkumpara ng mga model.** WER ang karaniwang metric sa mga leaderboard at sa mga claim ng vendor, kaya ito ang unang salaan sa pagpili ng [speech-to-text](https://broadrouter.com/fil/glossary/speech-to-text/) API.
-   **Iba ang audio mo.** Puwedeng malaki ang pagkakaiba ng score ng parehong model sa binasang pananalita at sa mga tawag sa telepono na naka-dialect. Para sa Arabic, magkaiba ang numero ng [Modern Standard Arabic](https://broadrouter.com/fil/glossary/msa/) at ng dialect na audio. Subukan sa mga recording na kahawig ng sa iyo.
-   **Hindi pantay-pantay ang mga mali.** Pare-pareho ang timbang ng WER sa bawat salita. Isang mali lang ang maling account number, gaya ng nawawalang “the”. Basahin ang mga transcript, hindi lang ang score.

## Sa BroadNet Inference

Naglalathala ang BroadNet ng sarili nitong lab measurement para sa [BroadNet Transcribe Arabic](https://broadrouter.com/fil/models/cohere-transcribe-arabic/):

| Test set | Ano ito | WER (%) |
| --- | --- | --- |
| FLEURS-ar | Malilinis na binasang pangungusap | 3.8 |
| MASC-ar | Halo-halong totoong Arabic na pananalita | 21.1 |
| BroadNet dialect set | Pananalitang naka-dialect | 23.4 |

Ipinapakita ng agwat ng 3.8 at 23.4 kung bakit mahalaga ang sarili mong test. Iniuulat din ng BroadNet na nasa ika-2 sa 37 (datos noong Setyembre 2026; sa live na ranggo noong Nobyembre 15, 2026, ika-4 sa 39 ito) ang model sa Open Universal Arabic ASR Leaderboard. Sakop ng $5 na panimulang credit ang mga 1,190 minuto ng Arabic na audio, sapat para sa isang test set. May one-hour na test plan ang [buyer’s guide](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/), at nasa [Arabic guide](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) ang code.

## Mga tanong

### Ano ang magandang word error rate?

Depende sa audio. Puwedeng single digit ang score ng malinis na binasang pananalita, samantalang madalas mas mataas nang husto ang maingay na usapan o dialect na audio sa parehong model. Ikumpara ang mga model sa parehong test set, mas mabuti kung sarili mong recording.

### Puwede bang lumampas sa 100% ang WER?

Oo. Binibilang ang mga insertion pero ang reference words lang ang denominator, kaya puwedeng lumampas sa 1.0 ang score ng transcript na maraming sobrang salita.

### Isinusulat ba ang WER bilang porsiyento o decimal?

Karaniwan ang dalawa. Kadalasang pareho ang ibig sabihin ng 0.211 at 21.1, mga 21 mali kada 100 reference word. Tingnan kung alin ang gamit ng source.

## Tingnan din

-   [Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/) (termino)
-   [Zero data retention (ZDR)](https://broadrouter.com/fil/glossary/zero-data-retention/) (termino)
-   [Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/) (termino)
-   [Code-switching](https://broadrouter.com/fil/glossary/code-switching/) (termino)
-   [Character error rate (CER)](https://broadrouter.com/fil/glossary/character-error-rate/) (termino)
-   [Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) (gabay)
-   [Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/) (gabay)
-   [Arabic speech-to-text API: paano pumili sa 2026](https://broadrouter.com/fil/blog/arabic-speech-to-text-api-buyers-guide/) (artikulo)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-glossary-word-error-rate&utm_content=page-cta) ·

**Mga source**

-   [Word error rate (Wikipedia) (sinuri noong 2026-11-16)](https://en.wikipedia.org/wiki/Word_error_rate)
-   [Hugging Face Tasks, automatic speech recognition (WER) (sinuri noong 2026-11-16)](https://huggingface.co/tasks/automatic-speech-recognition)
-   [Model catalogue ng BroadNet, speech to text (mga lab measurement) (sinuri noong 2026-11-16) (Ingles)](https://www.broadnet.ai/inference/models)
-   [Open Universal Arabic ASR Leaderboard (sinuri noong 2026-11-16)](https://huggingface.co/spaces/elmresearchcenter/open_universal_arabic_asr_leaderboard)
