如上所述，当许多开发人员构建一个过程时，他们只是将它投入使用，然后再试图找出它是如何工作以及为什么不工作。这种类型的方法对于验证系统没有什么作用，或者就此而言，其（需要）提供目标问题的负责任的解决方案。相反，有必要通过实验室实验和实地实验（图6－10）来确定该方法的合理性。

图6－15

多年来，对半自动语音识别进行评估的过程我们可以做出如下总结（见图6－15）：首先，将未知话语者的样本建立为指示对象（U1），然后将其与第二个不同的话语样本（U2）进行比较，该分析应导致匹配，因为已知U1和U2是相同的说话者。然后，添加已知的声音（K）和对比者，并继续分析。当是同一个话语者时，未知者也应该与指示对象匹配。此外，没有一个对比者应该与指示对象相匹配，因为它们是不同话语者的声音。该过程允许进行K指示比较，即匹配或不匹配（U＝K或U≠K）。接下来，整个过程会被重复，但是对于U，K和所有F，仍然有不同的样本。但是请注意，它们都被以相同的顺序保存。然后组合这三个求和以用于同种类型的更多的鲁棒性分析。(www.daowen.com)

表6－1　20世纪90年代所进行的半自动语言次别实验的结果

几个半自动语音识别实验的结果可以在表6－1中找到。第一个（1988年）涉及大量受试者的高保真样本。没有一个个体向量可以确保100%的正确识别。该项目的第二部分（未显示出）旨在测试在话语者不是未知的情况下，半自动语音识别系统能够消除已知说话者这一命题。这样做的正确率为98.6%。第二组实验（1993年）涉及单独对高保真、噪声和电话通带进行复制。在这里，向量的升级导致所有的条件都得到了显著改善。接下来，1993年实验提供了正确的识别，其矢量在所有条件下都明显更高，正确的识别水平在所有循环总和中达到了100%。最后，更新的现场研究（2009年）进一步支撑了基于机器的话语者识别是可行的这一提议，那些基于自然话语特征的向量是最有力的证明。