# 词错误率

研究者构建了 VTR-Bench 基准，把广告、科学、用户界面、文化、日常生活五类场景中的指定文本与承载物写入 300 条提示（共 1202 个文本块），用载体特定转写计算词错误率（WER）、用每题 20 问的链式查询计算 Video Score，并配套提出由 Director 智能体协调图像生成、运动规划与视觉反馈的关键帧引导智能体框架；在 11 个最先进模型上评测发现场景文本渲染普遍困难，最佳模型整体 WER 为 0.250，而该框架在 Minimax H3 上把整体 WER 从 0.4468 降到 0.3015（相对下降 32.5%）并提升 Video Score。

研究者构建了 VTR-Bench 基准，把广告、科学、用户界面、文化、日常生活五类场景中的指定文本与承载物写入 300 条提示（共 1202 个文本块），用载体特定转写计算词错误率（WER）、用每题 20 问的链式查询计算 Video Score，并配套提出由 Director 智能体协调图像生成、运动规划与视觉反馈的关键帧引导智能体框架；在 11 个最先进模型上评测发现场景文本渲染普遍困难，最佳模型整体 WER 为 0.250，而该框架在 Minimax H3 上把整体 WER 从 0.4468 降到 0.3015（相对下降 32.5%）并提升 Video Score。

该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。

该研究构建了一个多语言临床听写语料库（五份复杂度递进的临床听写脚本，翻译成99种语言，在三种声学条件下合成语音，由一套生产环境AI记录系统转写），计算六种频率类指标，并由三个独立的大语言模型评分者依据严重度×可能性框架评估临床上有意义的错误模式；在59,819次真实转写错误中，58,329次（97.5%）为低风险，251次（0.42%）为危急或高风险，六种频率指标均未显示与严重临床风险存在可检测的关联（绝对Spearman rho < 0.16），而严重度×可能性之和仍与WER强相关（rho=0.80），咨询复杂度是严重风险的主要预测因素（每级OR 3.06，p < 0.0001）。