Upang magsimula, mahalagang malaman na walang biometric na 100% tumpak. Halimbawa, a 2014 pag-aaral sa iris recognition ang pagtukoy sa katumpakan ng system ay maaaring nasa pagitan ng 90 at 99%, isang malawak na hanay. Ang katumpakan ng biometric ng boses ay nasa saklaw din na ito para sa iba't ibang dahilan. Gayunpaman, kahit na may mga di-kasakdalan nito, ang voice biometrics ay isang napakahalagang tool.
Ang paraan para sa pagtatasa ng katumpakan ng isang voice biometric system ay "Pantay-pantay na Rate ng Error", o "EER". Ang EER ay ang punto kung saan ang "False Acceptance Rate" o "FAR" (i.e., pagpapaalam sa mga manloloko) ay katumbas ng "False Rejection Rate" o "FRR" (ibig sabihin, pagtanggi ng access sa mga valid na user). Ang mga voice biometric scoring system ay batay sa istatistikal na probabilidad, kaya mayroong isang trade-off sa pagitan ng mga error na ito na kailangang isaalang-alang. Halimbawa, kung itatakda mo ang antas ng tiwala sa "mataas" upang maiwasan ang mga manloloko, maaari kang humarang sa mas maraming wastong user, na magdulot ng pagkaantala. Ang pagtatakda ng "mas mababang" antas ng tiwala ay magbibigay ng higit na kaginhawahan para sa iyong mga wastong user, ngunit maaari kang magpapasok ng mas maraming manloloko. Makikipagtulungan ang VBG sa iyo upang magbigay ng pinakamainam na balanse sa pagitan ng seguridad at kaginhawaan. Tandaan din na ang EER ay sinusukat para sa isang pagsubok. Sa pamamagitan ng pagpayag sa mga muling pagsubok sa iyong aplikasyon, maaari mong pataasin ang posibilidad na ang isang wastong user ay makalampas sa pangalawa o pangatlong pagsubok muli, kahit na sa una ay nagtakda ka ng mataas na antas ng kumpiyansa upang tanggihan ang mga manloloko.
Tandaan na ang mga resulta ng EER, FAR, at FRR ay nagmumula sa hanay ng mga audio sample na ginamit upang iproseso at makuha ang mga sukat na ito. Mag-ingat sa napakababang halaga ng EER na ina-advertise ng ilang vendor, dahil ang mga resulta ng EER na nakuha sa laboratoryo ay madaling manipulahin sa pamamagitan ng pag-aalis ng mga sample na negatibong nakakaapekto sa mga resulta. Ang mga resulta ng EER ay kasinghusay lamang ng data sampling na ginawa para sa kanilang mga kalkulasyon. Ang mga hindi inaasahang resulta sa totoong mundo ay maaaring (at mangyayari) kung ang iyong sampling ay hindi tunay na kumakatawan sa populasyon ng end-user, ang partikular na wika at diyalekto, ang uri ng device na ginamit, ang kapaligiran kung saan nakolekta ang pagsasalita, atbp. Samakatuwid, inirerekomenda namin na ihambing mo ang mga voice biometric system batay sa mga totoong user, kabilang ang pagpapatakbo ng mga pagsubok sa iyong gustong kapaligiran sa produksyon,
Ang iba pang mahahalagang salik na nakakaimpluwensya sa real-world na EER ay ang nilalaman ng mga sample ng pagsasalita at ang pagkakaroon ng ingay. Kung ang sample ng speech ay masyadong maingay, o kung ang maling impormasyon ay binibigkas sa voice biometric system, kung gayon ang voice biometric engine ay mahihirapang gamitin ang speech sample upang gumawa ng mga tumpak na pagpapasiya. Ang paggamit ng iba't ibang uri ng mga device ay maaari ding makaapekto sa mga resulta.
Halimbawa, gumagamit ang mga network ng mobile phone ng iba't ibang mga diskarte sa compression kumpara sa mga landline - nakakaapekto ito sa proseso ng biometric ng boses na kumukuha ng mga natatanging katangian ng boses mula sa mga sample ng pagsasalita.
