随着深度学习在过去十年间的蓬勃发展，自动语音识别（ASR）技术获得了广泛关注，促使大量公开可用的ASR系统应运而生，并正积极融入我们的日常生活。然而，由于各种细微差异的存在，对这些ASR系统进行公正且可复现的评估面临挑战。

本文介绍了SpeechColab评测平台——一个专为ASR评估设计的通用开源平台。通过该平台：
  • 我们报告了一项全面的基准测试，揭示了当前ASR系统的最新技术全景，涵盖多个开源模型与商业服务；
  • 我们量化了评分流程中不同细微差异对最终基准结果的影响，包括大写、标点、感叹词、缩略形式、同义词使用、复合词等问题，这些因素在端到端ASR系统转型背景下显得尤为重要；
  • 受Kolmogorov复杂度和归一化信息距离（NID）的启发，我们提出并讨论了对传统字/词Token错误率（TER）指标的改进型修正——mTER，该改进指标具有归一化特性，且在参考文本与识别文本之间保持对称性。
平台访问地址：https://github.com/SpeechColab/Leaderboard

论文引用：
J. Du, J. Li, G. Chen, and W.-Q. Zhang, “SpeechColab leaderboard: An open-source platform for automatic speech recognition evaluation,”Computer Speech & Language, vol. 94, art. no. 101805, Nov. 2025, doi:10.1016/j.csl.2025.101805.


论文免费下载地址（截止到2025年6月18日）：https://authors.elsevier.com/a/1l0DJ39HpStari