Vad är word error rate – och vad betyder ”99 % noggrannhet” egentligen?

Word error rate (WER), eller ordfelfrekvens, är taligenkänningens standardmått: ta en perfekt referenstranskription, jämför maskinens resultat ord för ord och räkna felen. En WER på 5 % betyder ungefär ”95 % träffsäkerhet” – och det är i den översättningen från mätvärde till marknadsföring som problemen börjar. WER är ett verkligt och användbart mått; sättet det citeras på i reklam är nästan meningslöst. Här är hur måttet fungerar, vad det döljer och hur du bedömer påståenden om träffsäkerhet som någon som vet.

Så räknas word error rate ut

Ställ maskinens transkription mot en referens som en människa har kontrollerat och räkna tre sorters fel:

• Substitutioner – fel ord: ”de” i stället för ”dem”, ”BlaBlaScribe” i stället för ”bla bla skriv”.

• Borttagningar – ord som maskinen tappade.

• Tillägg – ord den hittade på, ofta utifrån bakgrundsljud.

Sedan: WER = (S + D + I) ÷ N, där N är antalet ord i referensen. Tio fel i en referens på 200 ord = 5 % WER. Eftersom tillägg räknas kan WER överstiga 100 % på skräpljud – en egenhet som antyder hur bokstavligt måttet är. (Måttet har sina rötter i redigeringsavstånd; artikeln på Wikipedia tar upp den formella definitionen.)

Vad WER döljer

Alla fel väger lika – fast de gör det inte

Ett tappat ”öh” och ett förvanskat namn på vd:n är ett fel var för WER. För en läsare är det ena osynligt och det andra en skärmdump. Riktiga transkriptioner står och faller med vilka ord som blir fel – namn, siffror, negationer – och WER är blint för skillnaden. (”Vi gör det alltid” mot ”vi gör det aldrig” är en enda substitution.)

Siffran är meningslös utan testljudet

Samma system kan få 4 % WER på en podcast inspelad i studio och 30 % på en mobilinspelning från en blåsig presströng. Leverantörens ”99 % träffsäkerhet” mättes på något – nästan säkert rent tal från en enda talare med modersmålsuttal. Ditt eget ljud är det enda riktmärke som förutsäger dina resultat, vilket är den ärliga kärnan i vår guide om varför transkriberingens träffsäkerhet varierar.

Normaliseringsspel

Innan jämförelsen normaliseras texterna – versaler, skiljetecken, ”20” eller ”tjugo”, utfyllnadsord. Olika normaliseringsval flyttar WER flera procentenheter. Publicerade siffror redovisar sällan sina val, vilket gör jämförelser av rubriksiffror mellan leverantörer till mest teater.

WER säger ingenting om resten av produkten

Fel i vem som sa vad, trasiga skiljetecken, tidsstämplar som glider – inget av det syns i WER. En transkription med 3 % WER och ihopblandade talaretiketter är ett sämre arbetsresultat än en med 5 % WER och rätt talare. (Diarisering har ett eget mått, DER, som leverantörer citerar ännu mer sällan.)

Så tolkar du påståenden om träffsäkerhet

En snabb översättningstabell för marknadsföringsspråk:

Inget av detta är direkt lögn – det är bästa möjliga siffror som presenteras som typiska. Kännetecknet på en ärlig diskussion om träffsäkerhet är förutsättningarna: vilket ljud, vilka dialekter och brytningar, vilken normalisering.

Det enda riktmärke som betyder något: ditt eget

Att testa slår att läsa. Proceduren tar tjugo minuter:

1. Välj en verklig inspelning – dina vanliga mikrofoner, dialekter och överlappande tal. Inte den renaste filen, utan den typiska.

2. Kör den genom verktygen du jämför (gratisnivåer finns just för det här – vår guide till gratisverktyg kartlägger dem).

3. Räkna inte ut någon formell WER – läs. Kontrollera orden som kostar dig: namn, siffror, facktermer, negationer. Räkna de felen.

4. Kontrollera omgivningen: stämmer talaretiketterna? Går skiljetecknen att läsa? Går tidsstämplarna att klicka på för kontroll?

5. Ta tid på rättningen: minuter till publiceringsbar text i varje verktygs editor är det mått som din vecka faktiskt känner av.

Vanliga frågor

Vad är en bra WER för AI-transkribering 2026?

På rent tal med bra mikrofon ligger de ledande systemen på låga ensiffriga procenttal – riktigt utmärkt. På svårt ljud (brus, kraftiga brytningar, överlappande tal) stiger WER brant för alla system. Det finns ingen enskild ärlig siffra.

Är 95 % träffsäkerhet bra?

Det är ett fel vart tjugonde ord – märkbart på varje rad i en tät transkription. Om det är ”bra” beror helt på vilka ord som blir fel och hur snabbt editorn låter dig rätta dem.

Varför påstår alla leverantörer cirka 99 %?

Därför att bästa möjliga siffror på rena testunderlag hamnar där, och ingen annonserar sitt resultat från en blåsig parkeringsplats. Se påståenden som sammanfaller som ett tecken på att måttet har slutat skilja verktygen åt, inte på att alla verktyg är lika bra.

Betyder lägre WER alltid en bättre transkription?

Oftast, på samma ljud – men talaridentifiering, skiljetecken och hur lätt texten är att redigera avgör det praktiska värdet. Jämför färdiga transkriptioner, inte decimaler.

Sammanfattningsvis

WER är ett bra tekniskt mått och en dålig inköpsguide. Vet vad det räknar, lägg märke till vad det ignorerar och låt en enda stökig, verklig inspelning – läst med dina egna ögon – väga tyngre än varje procentsats i varje annons.