Glosario
La Tasa de Error de Palabra (WER) es la métrica de precisión estándar para el reconocimiento de voz. Mide el porcentaje de palabras que un motor de transcripción equivoca contando tres tipos de errores: sustituciones (palabra incorrecta), inserciones (palabra añadida) y eliminaciones (palabra omitida) — dividido por el conteo total de palabras de referencia. Cuanto más bajo, mejor. Un WER del 5% significa 5 errores por cada 100 palabras de referencia.
Cómo se calcula el WER
WER = (S + I + D) / N, donde S es el recuento de sustituciones, I es el recuento de inserciones, D es el recuento de eliminaciones y N es el recuento de palabras de la transcripción de referencia (correctas). Las matemáticas utilizan la alineación de distancia de edición mínima para contar cada error exactamente una vez. El WER puede superar el 100% — si el modelo inserta más palabras de las que acierta, puedes tener un WER del 120%.
Benchmarks de WER en el mundo real (2026)
En el conjunto de prueba limpio LibriSpeech (un punto de referencia estándar de audiolibros), Whisper Large v3 logra un WER del 1.8%. Las grabaciones del mundo real son más difíciles: 3-5% de WER en audio de podcast limpio, 5-10% en llamadas de conferencia, 10-20% en acentos fuertes o entornos ruidosos. Los transcriptor humanos generalmente obtienen un WER del 4-6% incluso con el mismo audio.
Por qué el WER por sí solo es engaños
El WER pondera cada palabra por igual, pero omitir la palabra "not" (no) puede cambiar el significado de una frase, mientras que omitir "the" (el/la) no lo hace. Para una calidad en el mundo real, complementen el WER con métricas de distancia semántica, F1 de entidades nombradas (cuántos sustantivos propios son correctos) y revisión visual humana en una muestra. Optimizamos para la calidad percibida por el usuario más que para el número de WER.
En la práctica
Referencia: "El CEO dijo que no perseguiremos la adquisición." Transcripción: "El CEO dijo que perseguiremos la adquisición." Eso es una sola sustitución ("not" omitido → 1 error / 9 palabras = 11% WER), pero el significado ahora es opuesto. Un WER del 11% suena mal; la consecuencia empresarial real aquí es catastrófica.
Términos relacionados
Lecturas adicionales
Consulta nuestra precisión en la práctica
Comenzar — gratisÚltima actualización: 3 de noviembre de 2026
Preguntas frecuentes
¿Qué significa Tasa de error de palabras (WER) en el ámbito de la transcripción?
Tasa de Error de Palabra. El porcentaje de palabras que un motor de transcripción transcribe incorrectamente, incluyendo sustituciones, inserciones y eliminaciones. Cuanto menor, mejor. Los motores modernos logran un WER del 2-5% en audio limpio.
¿Por qué es importante Tasa de error de palabras (WER) al elegir un flujo de trabajo de transcripción?
Tasa de error de palabras (WER) influye en cómo entiendes la calidad, los tiempos y la compatibilidad de una transcripción, o la tecnología que produce los resultados de voz a texto.
¿Dónde puedo aplicar Tasa de error de palabras (WER) en Transcript.you?
Usa el flujo de trabajo relacionado en /ai-transcription para ver cómo se aplica este concepto del glosario a una tarea de transcripción real.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.