关于粤语的wer指标
multilingual test set的wer指标，粤语的和其他语音差这么多（粤语：34.111），其他语言基本都是个位数，我看到技术报告里写到wer的测试用的是“- WER （字错率）计算中，使用Whisper-large-v3或paraformer-zm进行转录；”，说明这个指标跟asr模型的识别性能也是相关的，所以我怀疑tts粤语指标差可能是asr模型的问题。
但是我看了openai-whisper-largev3的指标：https://github.com/openai/whisper ，粤语在Common Voice 15的指标Cantonese(CN)是10.9，Cantonese(HK)是15.9，Mandarin的指标是12.8，Vietnamese的指标更达到了39.8，所以光看largev3不同语言的识别能力也看不出什么规律，
所以我想问的是：为什么粤语的指标相对差了这么多呢？
计算粤语WER时，我们直接将识别结果跟原始文本计算了WER，没有统一简繁体再计算WER。统一简繁体之后的WER为 MiniMax-Speech: 20.795，Elevenlabs multilingual_v2: 40.585，我们后续将修正这个结果，感谢您的提问。
感谢您的回复，统一简繁体确实对wer指标影响很大。
但我还有一个疑问是，为什么别的语言的wer值都是个位数，以Vietnamese为例，minimax的wer为0.88，按理说越南语和粤语在发音上有一定的近似之处，当然它们的文本和token表征完全不一样，但是最终指标差了这么多感觉也很奇怪。看到你们的链接：https://huggingface.co/datasets/MiniMaxAI/TTS-Multilingual-Test-Set 中提到，“To assess the multilingual zero-shot voice cloning capabilities of TTS models, we have constructed a test set encompassing 24 languages. This dataset provides both audio samples for voice cloning and corresponding test texts. Specifically, the test set for each language includes: 100 distinct test sentences.”，会不会是你们评估粤语的测试脚本（也就是这100个不同的测试句子）更困难？还是说有其他原因呢