Als das Speech Accessibility Project begann, enthielt die größte Datenbank atypischer Sprache 16 Personen mit Zerebralparese; bis Ende September 2025 hatten rund 2.000 Teilnehmende Aufnahmen für das Projekt eingereicht (Speech Accessibility Project, 2025 und 2026). Googles Project Euphonia, das andere große Korpus, erreichte bis Februar 2025 über 1,5 Millionen Äußerungen von rund 3.000 Sprechenden, ist aber für externe Teams geschlossen (Martin et al., Frontiers in Language Sciences 2025; Google Project Euphonia). Mehr Daten haben die Lücke noch nicht beseitigt: In einem Benchmark von 2026 mit acht KI-Systemen blieb typische Sprache unter 5% Wortfehlerrate (WER, der Anteil der Wörter, die ein System falsch erkennt), während schwere Dysarthrie bei jedem System über 51% lag (Alsayegh und Masood, International Journal of Intelligent Systems 2026). Wir haben Daten des Speech Accessibility Project am Beckman Institute der University of Illinois, von Google Research, vom Linguistic Data Consortium, vom NIDCD, von der ASHA und aus mehr als einem Dutzend begutachteter Fachartikel zusammengetragen. Unsere Statistiken zum Akzent-Bias in der Spracherkennung zeigen, wie sich diese Fehler zu den Lücken nach Hautfarbe, Dialekt und Akzent verhalten; diese Zusammenstellung blickt auf die Datensätze selbst: wie groß sie sind, wer in ihnen vorkommt und was sie für die Fehlerraten bedeuten.
TL;DR
- Rund 2.000 Personen hatten bis Ende September 2025 Aufnahmen für das Speech Accessibility Project eingereicht (Speech Accessibility Project, 2026).
- Project Euphonia umfasste im Februar 2025 über 1,5 Millionen Äußerungen von rund 3.000 Sprechenden, und Google gibt es nicht außerhalb des Unternehmens weiter (Martin et al., Frontiers in Language Sciences 2025).
- TORGO, seit 2012 ein Standard-Benchmark, enthält 8 Sprecher mit Dysarthrie und rund 23 Stunden Audio (Linguistic Data Consortium, LDC2012S02).
- UA-Speech nahm 2008 19 Sprecher mit Zerebralparese auf, und 16 verblieben in der aktuellen Verteilung (University of Illinois, UA-Speech 2008).
- Parkinson-Krankheit, Zerebralparese, ALS, Down-Syndrom und Schlaganfall waren im Speech Accessibility Project mit je 400 Teilnehmenden geplant (ClinicalTrials.gov NCT05889260).
- ALS-Sprecher machten 39,2% einer Euphonia-Forschungsteilmenge mit 195 Sprechern aus, gegenüber 10,8% bei der Parkinson-Krankheit (Tobin und Tomanek, Google 2021).
- Alle acht KI-Systeme überschritten bei schwerer Dysarthrie auf TORGO 51% WER (Alsayegh und Masood, IJIS 2026).
- Die Zeichenfehlerrate von Whisper-Turbo ohne Anpassung (Zero-Shot) auf UA-Speech lag bei 9,3% für Kontrollsprecher und bei 165,2% für dysarthrische Sprecher (de Groot et al., TU Delft 2025).
- Die Feinabstimmung von Googles USM auf gestörte Sprache senkte den WER bei schwerer Sprache von 48,1 auf 31,3 (Tobin et al., Google Research 2024).
- Personalisierte Modelle verbesserten den WER bei ALS relativ um 62%, wobei 71% des Gewinns aus 5 Minuten Daten stammten (Shor et al., Interspeech 2019).
- TORGO enthält nur 957 eindeutige Texte unter 16.394 Texteinträgen (Hui et al., 2024).
- Dysarthrie betrifft 44% bis 88% der Menschen mit Parkinson-Krankheit (ASHA Practice Portal, Dysarthria in Adults).
1. Die zwei großen Korpora: Speech Accessibility Project und Project Euphonia
Daten zu gestörter Sprache liegen inzwischen in einer Größenordnung vor, die mit LibriSpeech vergleichbar ist, einem weit verbreiteten Benchmark für vorgelesene Sprache, doch nur eine der beiden großen Sammlungen ist offen. Rund 2.000 Teilnehmende hatten bis Ende September 2025 Aufnahmen für das Speech Accessibility Project eingereicht, und das Projekt gibt an, dass rund 65 Organisationen seine Daten nutzen. Googles Euphonia-Korpus ist bei der Sprecherzahl größer, doch laut Projektseite ist der Datensatz für externe Teams oder Unternehmen nicht verfügbar (Google, Project Euphonia).
Praktisch bedeutet das, dass offene Forschung zur Erkennung gestörter Sprache weitgehend über einen einzigen Torwächter läuft. Das Speech Accessibility Project gibt Daten im Rahmen einer Datennutzungsvereinbarung heraus (ein unterzeichneter Vertrag, der festlegt, wer die Aufnahmen wofür nutzen darf), die zwei Unterschriften der antragstellenden Organisation erfordert und höchstens 3 Jahre läuft (Speech Accessibility Project, Seite Conduct Research). Euphonias Wachstum von 1,2 Millionen Äußerungen im Jahr 2024 auf über 1,5 Millionen im Jahr 2025 bleibt innerhalb von Google.
| Metrik | Wert | Quelle |
|---|---|---|
| Teilnehmende, die Aufnahmen für das Speech Accessibility Project eingereicht hatten, Ende September 2025 | Rund 2.000 | Speech Accessibility Project, Startseite 2026 |
| Datenpaket des Speech Accessibility Project, Katalogbeschreibung | Rund 1.090 Stunden Sprache von rund 1.130 Teilnehmenden; fünf Erkrankungen | YorVoice-Katalog der University of York, Eintrag zum Speech Accessibility Project |
| Seite des Speech Accessibility Project zum Forschungszugang | 1.500 Stunden aufgenommener Sprache; rund 999 Teilnehmende; rund 65 Organisationen, die die Daten nutzen | Speech Accessibility Project, Seite Conduct Research 2026 |
| Korpus von Project Euphonia, Februar 2025 | Über 1,5 Millionen Äußerungen von rund 3.000 Sprechenden | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Korpus von Project Euphonia, 2024 | 1,2 Millionen Äußerungen von über 2.000 Sprechenden | Google (Jiang et al.), Interspeech 2024 |
| Euphonia-Aufnahmen mit von Menschen geprüften, korrigierten Transkripten | 352.130 (29% des Korpus) | Google (Jiang et al.), Interspeech 2024 |
| Euphonia-Sprechende mit Etiketten zu Sprechmerkmalen | Über 75% der Sprechenden, mehr als 40 Etiketten | Google (Jiang et al.), Interspeech 2024 |
Kontext: Zur Einordnung, LibriSpeech, aufgebaut aus vorgelesenen Hörbüchern, ist ein Korpus von rund 1.000 Stunden (OpenSLR, LibriSpeech). Die beiden Beschreibungen des Speech Accessibility Project stimmen nicht überein (mehr Stunden, aber weniger Teilnehmende auf der eigenen Projektseite), was wir im Daten-Hinweis festhalten. Die Euphonia-Zahlen stammen von Jiang et al. und Martin et al..
2. Die älteren Korpora: TORGO, UA-Speech und die Ära kleiner Datenmengen
Über mehr als ein Jahrzehnt wurde die Erkennung dysarthrischer Sprache an einer Handvoll Sprecher gemessen. TORGO enthält 8 Sprecher mit Dysarthrie (5 männlich, 3 weiblich) und 7 Kontrollsprecher, rund 23 Stunden Englisch, aufgenommen zwischen 2008 und 2010 in Toronto. UA-Speech, aufgenommen an der University of Illinois, umfasste 19 Sprecher mit Zerebralparese, die jeweils 765 isolierte Wörter lasen (Kim et al., Interspeech 2008). Ein Modell, das auf einem der beiden Korpora als Stand der Technik gemeldet wird, wurde faktisch an weniger Personen getestet, als eine typische Schulklasse hat.
Die Korpora schrumpfen und zersplittern zudem mit der Zeit. UA-Speech verteilt heute 16 seiner ursprünglich 19 Sprecher, weil drei ihre Einwilligung zurückzogen oder beschädigte Daten hatten, und seine Lizenz untersagt die kommerzielle Nutzung (University of Illinois, UA-Speech). Außerhalb des Englischen ist das Bild ähnlich: Ein italienisches Befehlskorpus und ein Mandarin-Korpus beruhen jeweils auf wenigen Dutzend Sprechern.
| Metrik | Wert | Quelle |
|---|---|---|
| TORGO-Sprecher | 8 mit Dysarthrie (Zerebralparese oder ALS) und 7 Kontrollsprecher | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| TORGO-Audio und Veröffentlichung | Rund 23 Stunden, aufgenommen 2008 bis 2010; veröffentlicht am 19. Januar 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| TORGO-Lesematerial | 162 Sätze von Yorkston und Beukelman, 460 von TIMIT abgeleitete Sätze, dazu Aufnahmen von Zungen- und Lippenbewegungen (elektromagnetische Artikulographie) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| UA-Speech-Sprecher mit Zerebralparese, ursprünglich gegenüber aktuell verteilt | 19 gegenüber 16 | Kim et al., Interspeech 2008; University of Illinois, UA-Speech-Seite |
| UA-Speech-Vokabular und Aufnahmeaufbau | 765 isolierte Wörter pro Sprecher, darunter 300 verschiedene seltene Wörter; Array aus 8 Mikrofonen | Kim et al., Interspeech 2008 |
| Größte Datenbank atypischer Sprache zu Beginn des Speech Accessibility Project | 16 Personen mit Zerebralparese | Speech Accessibility Project, Artikel zu Microsoft Azure 2025 |
| EasyCall (Italienisch) | 21.386 Aufnahmen von 31 dysarthrischen und 24 gesunden Sprechern | Turrisi et al., Interspeech 2021 |
| CDSD (Mandarin) | 133 Stunden von 44 Sprechern | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Aktuellste verfügbare Daten: TORGO (LDC, 2012), UA-Speech (Kim et al., 2008) und EasyCall (Interspeech 2021) sind alle älter als drei Jahre und bleiben die Korpora, über die die meisten Fachartikel nach wie vor berichten. Der Artikel zum Mandarin-Korpus CDSD gibt die 133 Stunden als 124 Stunden Audio plus 9 Stunden Video an, wobei 80 der Audiostunden von nur 8 Sprechern stammen, die jeweils 10 Stunden aufgenommen wurden.
3. Wer in den Daten vorkommt: Ätiologie, Schweregrad und Sprache
Jedes große Korpus ist zu denen hin verzerrt, die sich am leichtesten zuerst rekrutieren ließen. Das Speech Accessibility Project wurde für 2.000 Personen konzipiert, 400 für jede von fünf Ätiologien (die zugrunde liegende medizinische Ursache der Sprechauffälligkeit): Parkinson-Krankheit, ALS, Zerebralparese, Down-Syndrom und Schlaganfall (ClinicalTrials.gov NCT05889260). Sein erstes Datenpaket enthielt nur Parkinson-Sprecher, und die Challenge-Veröffentlichung vom April 2024, überwiegend 2023 aufgenommen, wurde noch immer von ihnen dominiert (Zheng et al., Interspeech 2025 Challenge). Unsere Statistiken zur Sprach- und Stimmbehandlung bei Parkinson behandeln die klinische Seite dieser Population.
Euphonias Verzerrung geht in die andere Richtung, hin zu ALS und zu milderer Sprache. In einer Forschungsteilmenge mit 195 Sprechern machte ALS 39,2% der Sprecher aus, und ein Viertel wurde als schwer eingestuft. Die meisten bewerteten Aufnahmen im ersten Paket des Speech Accessibility Project lagen am wenigsten beeinträchtigten Ende der Verständlichkeitsskala, was wichtig ist, weil ein Datensatz überwiegend leichter Sprache den Durchschnitt eines Modells schönt.
| Metrik | Wert | Quelle |
|---|---|---|
| Geplantes Design des Speech Accessibility Project | 2.000 Personen, 400 pro Ätiologie, 1,2 Millionen Sprachproben (600 pro Person) | ClinicalTrials.gov NCT05889260, Eintrag zum Speech Accessibility Project |
| Tatsächliche Aufnahme im Registereintrag (der die Parkinson-Krankheit und verwandte Parkinson-Syndrome aufführt) | 485 Teilnehmende; Studie am 31. Juli 2025 abgeschlossen | ClinicalTrials.gov NCT05889260, Eintrag zum Speech Accessibility Project |
| Challenge-Veröffentlichung SAP-240430, Trainingsaufteilung | 369 Sprecher, 131.420 Äußerungen, 290,35 Stunden | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Entwicklungs- und Testaufteilungen von SAP-240430 | Dev 55 Sprecher (43,56 Stunden); Test1 50 Sprecher (42,16 Stunden); Test2 50 Sprecher (38,77 Stunden) | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Rekrutierung für das erste Datenpaket, registrierte gegenüber zugelassenen gegenüber aufgenommenen Personen | 746 gegenüber 283 gegenüber 253 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Erstes Datenpaket, Verständlichkeitsbewertungen auf einer Skala von 1 bis 7 (1 = am wenigsten beeinträchtigt) | 76% der bewerteten Aufnahmen bei 1; 1,5% bei 5 bis 7 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Euphonia-Teilmenge mit 195 Sprechern, nach Ätiologie | ALS 39,2%; Zerebralparese 13,4%; Parkinson-Krankheit 10,8%; Hörbeeinträchtigung 5,2%; Ataxie 3,1% | Google (Tobin und Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Euphonia-Teilmenge mit 195 Sprechern, nach Schweregrad | Typisch 7,7%; leicht 35,4%; mittel 31,8%; schwer 25,1% | Google (Tobin und Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Kontext: Die Sprachabdeckung ist die dünnste Dimension. Alle Teilnehmenden des ersten Pakets des Speech Accessibility Project gaben amerikanisches Englisch als Muttersprache an (Hasegawa-Johnson et al., JSLHR 2024), und Googles Euphonia-Seite merkt an, dass das Programm Speech Accessibility Project derzeit nur auf Englisch verfügbar ist. Euphonias Ausweitung auf vier weitere Sprachen hatte 2025 132 Sprecher erreicht: 76 auf Japanisch, 38 auf Spanisch, 14 auf Französisch und 4 auf Hindi (Martin et al., Frontiers in Language Sciences 2025). Menschen mit ALS stehen vor derselben Lücke, während sich ihre Sprache verändert, was unsere Statistiken zum bulbären Sprachverfall bei ALS im Zeitverlauf verfolgen.
4. Die Wortfehlerraten-Lücke bei dysarthrischer Sprache
Standard-Erkenner sind bei leichter Dysarthrie nahezu gelöst und scheitern am schweren Ende weiterhin. In einem Benchmark von 2026 mit acht Systemen auf TORGO, darunter Whisper large-v3, Deepgram Nova-3, GPT-4o und Gemini 2.5 Pro, überschritt schwere Dysarthrie bei jedem System 51% WER, während die führenden Systeme bei leichter Dysarthrie etwa 1% bis 2% erzielten (Alsayegh und Masood, IJIS 2026). Multimodale große Sprachmodelle zeigten unter Standardeinstellungen keinen Vorteil gegenüber herkömmlichen Erkennern.
Der Schweregrad, nicht die Modellmarke, ist die Variable, die das Scheitern vorhersagt. Googles eigenes Basismodell steigt auf seinem Testset mit vorgegebenen Sätzen von 10,7 WER bei leichter auf 48,1 bei schwerer Sprache (Tobin et al., Google Research 2024). Auf UA-Speech erzeugte Whisper-Turbo ohne Anpassung (Zero-Shot, also ohne jede Anpassung an die Sprecher eingesetzt) eine Zeichenfehlerrate über 100%, was passiert, wenn ein Modell mehr falsche Zeichen ausgibt, einschließlich erfundener Wörter, als die Referenz enthält.
| Metrik | Wert | Quelle |
|---|---|---|
| TORGO, acht kommerzielle und multimodale KI-Systeme, typische Sprache gegenüber schwerer Dysarthrie | Unter 5% WER gegenüber über 51% WER bei jedem System | Alsayegh und Masood, International Journal of Intelligent Systems 2026 |
| TORGO, leichte Dysarthrie, führende Systeme | Etwa 1% bis 2% WER | Alsayegh und Masood, International Journal of Intelligent Systems 2026 |
| Schwere Dysarthrie, Standard-Prompt gegenüber Prompt für wörtliche Transkription | GPT-4o 60,1% auf 52,9%; GPT-4o Mini 66,0% auf etwa 55% | Alsayegh und Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, Zeichenfehlerrate von Whisper-Turbo ohne Anpassung, Kontrollsprecher gegenüber dysarthrischen Sprechern | 9,3% gegenüber 165,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Euphonia-Testset mit vorgegebenen Sätzen, WER des USM-Basismodells nach Schweregrad | Leicht 10,7; mittel 29,5; schwer 48,1 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Parkinson-Testset (alle Sätze), nur auf typischer vorgelesener Sprache trainierte Modelle | LibriSpeech 100 Stunden: 45,15% WER; LibriSpeech 960 Stunden: 38,76% WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Sprecher, deren WER ohne Anpassung ein Smart-Home-Ziel von 15% erreichte, alle Sprecher gegenüber schweren Sprechern | 35% gegenüber 10% | Google (Tobin und Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Ausreißer: Die Verbesserung von GPT-4o mit einem Prompt für wörtliche Transkription zeigt, dass ein Teil der Fehler multimodaler Modelle bei schwerer Sprache vom Umschreiben des Gesagten herrührt und nicht nur vom Falschhören; die Autoren berichten, dass die Gemini-Modelle aus denselben Prompts keinen konsistenten Gewinn zogen. Die UA-Speech-Zahl stammt von de Groot et al., die das dysarthrische Ergebnis für die Bedingung ohne Anpassung nur als Aggregat und nicht nach Verständlichkeitsgruppe angeben.
5. Gewinne durch personalisierte und feinabgestimmte Modelle
Kleine Mengen der richtigen Daten bewegen die Fehlerraten stärker als jede Architekturänderung. Personalisierte Modelle verbesserten den WER bei Sprechern mit ALS relativ um 62%, und 71% dieser Verbesserung stammten aus nur 5 Minuten Trainingsdaten (Shor et al., Interspeech 2019). Diese Modelle wurden mit 67 ALS-Sprechern trainiert, rund 36 Stunden Audio (Google-Research-Blog, 2019).
Das neuere Ergebnis ist, dass ein einziges gemeinsames Modell einen Großteil dieses Nutzens aufnehmen kann. Googles USM, auf 1.158 Stunden gestörter Sprache feinabgestimmt, schloss 64% der Lücke zwischen dem Basismodell und sprecherspezifischen Modellen, und Microsoft berichtet von Genauigkeitsgewinnen von 18% bis 60% in Azure AI Speech durch Daten des Speech Accessibility Project, je nach Beeinträchtigung des Sprechers. Die Obergrenze bleibt der Schweregrad: Der WER des feinabgestimmten Modells von 31,3 bei schwerer Sprache ist mehr als viermal so hoch wie sein Wert von 7,3 bei leichter Sprache in derselben Tabelle (31,3 geteilt durch 7,3 ergibt 4,3).
| Metrik | Wert | Quelle |
|---|---|---|
| Relative WER-Verbesserung durch personalisierte Modelle, ALS-Sprache gegenüber akzentbehafteter Sprache | 62% gegenüber 35% | Google (Shor et al.), Interspeech 2019 |
| WER von ALS-Sprechern nach der Personalisierung, Phrasen aus der Nachrichtenbank, leichte gegenüber stärkerer Dysarthrie | 10% gegenüber 20% | Google (Shor et al.), Interspeech 2019 |
| Sprecher, die mit 50 Äußerungen (3 bis 4 Minuten) gegenüber 250 Äußerungen (18 bis 20 Minuten) ein Smart-Home-Ziel von 15% WER erreichen | 63% gegenüber 79% | Google (Tobin und Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM mit Feinabstimmung auf gestörte Sprache, WER davor gegenüber danach, nach Schweregrad | Leicht 10,7 auf 7,3; mittel 29,5 auf 19,6; schwer 48,1 auf 31,3 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Feinabstimmung des USM, relative Verbesserung bei Sprache mit vorgegebenen Sätzen gegenüber spontaner Gesprächssprache | 33% gegenüber 26% | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Gewinne von Microsoft Azure AI Speech mit Daten des Speech Accessibility Project | 18% bis 60%, je nach Beeinträchtigung des Sprechers | Speech Accessibility Project, Artikel zu Microsoft Azure 2025 |
| Zeichenfehlerrate im Mandarin-CDSD-Test, nur auf CDSD trainiert gegenüber auf WenetSpeech vortrainiert und danach feinabgestimmt | 24,9% gegenüber 16,4% | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, Zeichenfehlerrate von feinabgestimmtem Whisper-Turbo nach Verständlichkeitsgruppe | Sehr niedrig 64,4%; niedrig 44,8%; mittel 40,1%; hoch 30,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Kontext: Schwer betroffene Sprecher bleiben selbst mit all ihren Daten die schwierigste Gruppe. In der Euphonia-Personalisierungsstudie erreichten 69% der schweren Sprecher mit ihren vollständigen Aufnahmen das Smart-Home-Ziel von 15%, gegenüber 99% der leichten Sprecher (Tobin und Tomanek, 2021). Der Leiter des Speech Accessibility Project hat gesagt, das Training mit einem Teil des Datensatzes habe die Fehlerraten für Menschen mit Parkinson fast halbiert (Speech Accessibility Project, Ankündigung zur Datenweitergabe 2024). Aktuellste verfügbare Daten zur sprecherspezifischen Personalisierung: Shor et al. (2019) und Tobin und Tomanek (2021).
6. Benchmark-Fallstricke: Überschneidung der Sätze, Aufnahmeartefakte und Etikettenrauschen
Kleine Korpora mit wiederholten Sätzen lassen die veröffentlichte Genauigkeit besser aussehen als den realen Einsatz. TORGO enthält nur 957 eindeutige Texte unter 16.394 Texteinträgen, und die Überschneidung der Sätze pro Sprecher liegt bei den acht dysarthrischen Sprechern zwischen 95,7% und 100% (Hui et al., 2024). Als die Autoren die Aufteilung so neu bauten, dass kein Satz zugleich im Training und im Test vorkommt, stieg der WER eines wav2vec2-Modells für einen leichten Sprecher von 3,17% auf 45,21%. Ein Modell kann die Satzliste lernen statt den Sprecher.
Derselbe Effekt zeigt sich im neuesten Korpus. Bei Sätzen, die auch die Trainingssprecher gelesen hatten, erzielte das feinabgestimmte Modell des Speech Accessibility Project 5,18% WER, und der Artikel weist gemeinsame und nicht gemeinsame Sätze aus diesem Grund getrennt aus. Die Aufnahmebedingungen sind eine zweite Falle: Schu et al. (2022) stellten fest, dass die meisten modernen Dysarthrie-Klassifikatoren auf den Nicht-Sprach-Segmenten von UA-Speech und TORGO gleich gut oder besser abschnitten, was bedeutet, dass sie womöglich den Aufnahmeaufbau erkennen statt die Sprache.
| Metrik | Wert | Quelle |
|---|---|---|
| Eindeutige Texte in TORGO gegenüber gesamten Texteinträgen | 957 gegenüber 16.394 | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Überschneidung der Sätze pro Sprecher in TORGO, acht dysarthrische Sprecher | 95,7% bis 100% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER von wav2vec2, schwerer Sprecher M04, ursprüngliche Aufteilung gegenüber Aufteilung ohne Überschneidung | 64,50% gegenüber 93,75% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER von wav2vec2, leichter Sprecher M03, ursprüngliche Aufteilung gegenüber Aufteilung ohne Überschneidung | 3,17% gegenüber 45,21% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Mit den Trainingssprechern geteilte Parkinson-Sätze, auf LibriSpeech 960 Stunden trainiertes Modell gegenüber auf Projektdaten feinabgestimmtem Modell | 45,39% gegenüber 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Euphonia-Transkriptprüfung, pro Sprecher standardisierte Transkripte gegenüber Äußerungen mit tatsächlichen Wortänderungen | 72% im Durchschnitt gegenüber unter 5% | Google (Jiang et al.), Interspeech 2024 |
| Automatischer Euphonia-Filter für fehlende Sprache, Anteil der markierten Aufnahmen, die tatsächlich Sprache enthielten (falsche Auslassungsrate) | 47,7% | Google (Jiang et al.), Interspeech 2024 |
| USM mit Feinabstimmung auf gestörte Sprache, LibriSpeech-Clean-WER bei typischer Sprache | 2,4, bei den getesteten Datengewichten unverändert | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Kontext: Das Etikettenrauschen bei Euphonia war überwiegend kosmetisch, da rund 95% der Korrekturen Zeichensetzung, Groß- und Kleinschreibung oder andere Normalisierung betrafen; das größere Risiko war, dass der automatische Filter gültige, aber leise oder langsame Sprache verwarf, was genau die Sprecher entfernt, die ein Datensatz am dringendsten braucht. Das USM-Ergebnis beantwortet eine häufige Sorge: Das Hinzufügen gestörter Sprache verschlechterte die Genauigkeit bei typischer Sprache bei den von den Autoren getesteten Gewichten nicht.
7. Prävalenzkontext: die Bevölkerung, der diese Datensätze dienen
Die oben genannten Korpora decken einige tausend Sprecher ab; die Bevölkerung mit Sprechauffälligkeiten geht in die Millionen. Im Jahr 2012 hatten 7,7% der US-Kinder im Alter von 3 bis 17 Jahren in den vorangegangenen 12 Monaten eine Kommunikations- oder Schluckstörung, und Sprechprobleme waren mit 5,0% die häufigste Art (NCHS Data Brief No. 205). Nur 55,2% dieser Kinder erhielten im selben Jahr eine Interventionsleistung.
Bei Erwachsenen ist Dysarthrie ein häufiges Merkmal verbreiteter neurologischer Erkrankungen und keine seltene Störung. Der Überblick der ASHA beziffert sie auf 44% bis 88% der Menschen mit Parkinson-Krankheit und auf 22% bis 58% der Menschen mit akutem Schlaganfall (ASHA Practice Portal, Dysarthria in Adults), und diese Spannen, nicht die Zusammensetzung einer Gelegenheitsstichprobe, müsste ein repräsentativer Datensatz abbilden. Redeflussstörungen wie Stottern kommen als weitere Population hinzu, die in unseren Statistiken zur Demografie des Stotterns beschrieben wird.
| Metrik | Wert | Quelle |
|---|---|---|
| US-Kinder im Alter von 3 bis 17 Jahren mit Kommunikations- oder Schluckstörung in den letzten 12 Monaten; Sprechprobleme | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, NHIS-Daten von 2012) |
| Prävalenz nach Alter, 3 bis 6 Jahre gegenüber 11 bis 17 Jahre | 11,0% gegenüber 4,9% | NCHS Data Brief No. 205 (2015, NHIS-Daten von 2012) |
| Kinder mit einer Störung, die in den letzten 12 Monaten Interventionsleistungen erhielten | 55,2% | NCHS Data Brief No. 205 (2015, NHIS-Daten von 2012) |
| US-Erwachsene, die in den letzten 12 Monaten ein Stimmproblem meldeten | 7,6% (rund 17,9 Millionen) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Amerikaner, die stottern; Amerikaner, die mit Aphasie leben | Mehr als 3 Millionen (rund 1%); rund 2 Millionen, mit fast 180.000 Neuerkrankungen pro Jahr | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Dysarthrie-Raten, Parkinson-Krankheit; Multiple Sklerose; akuter Schlaganfall; akutes bis subakutes Schädel-Hirn-Trauma | 44% bis 88%; 40% bis 51%; 22% bis 58%; rund 30% bis 86% | ASHA Practice Portal, Dysarthria in Adults |
| Dysarthrie-Raten, Huntington-Krankheit; neuromuskuläre Erkrankung wie ALS | 78% bis 93%; 26% bis 62% | ASHA Practice Portal, Dysarthria in Adults |
| US-Erwachsene mit Hör-, Sprech- oder Sprachschwierigkeiten, die über erlebte Stigmatisierung berichteten | 65% von 1.004 Befragten | ASHA-YouGov National Poll 2024 |
Aktuellste verfügbare Daten: Die Zahlen zur Prävalenz bei Kindern stammen aus dem National Health Interview Survey von 2012, veröffentlicht 2015, und die eigene Zusammenfassung des NIDCD (NIDCD Quick Statistics) zitiert dieselbe Erhebung. Die Stigma-Zahl stammt aus einer Online-Umfrage, die vom 21. bis 26. Februar 2024 durchgeführt wurde (ASHA-YouGov, 2024).
Zusammenfassung: KI-Datensätze für atypische und dysarthrische Sprache in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Teilnehmende, die Aufnahmen für das Speech Accessibility Project eingereicht hatten, Ende September 2025 | Rund 2.000 | Speech Accessibility Project, Startseite 2026 |
| Datenpaket des Speech Accessibility Project, Katalogbeschreibung | Rund 1.090 Stunden von rund 1.130 Teilnehmenden | YorVoice-Katalog der University of York, Eintrag zum Speech Accessibility Project |
| Korpus von Project Euphonia, Februar 2025 | Über 1,5 Millionen Äußerungen von rund 3.000 Sprechenden | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Euphonia-Aufnahmen mit von Menschen geprüften Transkripten | 352.130 (29%) | Google (Jiang et al.), Interspeech 2024 |
| TORGO-Sprecher und Audio | 8 dysarthrische und 7 Kontrollsprecher; rund 23 Stunden | Linguistic Data Consortium, LDC2012S02 (2012) |
| UA-Speech-Sprecher mit Zerebralparese, ursprünglich gegenüber aktuell verteilt | 19 gegenüber 16 | Kim et al., Interspeech 2008; University of Illinois |
| Geplantes Design des Speech Accessibility Project | 2.000 Personen, 400 pro Ätiologie | ClinicalTrials.gov NCT05889260 |
| Trainingsaufteilung von SAP-240430 | 369 Sprecher, 290,35 Stunden | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Euphonia-Teilmenge mit 195 Sprechern, Anteil ALS gegenüber Parkinson | 39,2% gegenüber 10,8% | Google (Tobin und Tomanek) 2021 |
| Nicht englischsprachige Euphonia-Sprecher, 2025 | 132 (Japanisch 76, Spanisch 38, Französisch 14, Hindi 4) | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| TORGO, typische Sprache gegenüber schwerer Dysarthrie, acht KI-Systeme | Unter 5% gegenüber über 51% WER | Alsayegh und Masood, IJIS 2026 |
| UA-Speech, Zeichenfehlerrate von Whisper-Turbo ohne Anpassung, Kontroll- gegenüber dysarthrischen Sprechern | 9,3% gegenüber 165,2% | de Groot et al. (TU Delft) 2025 |
| WER des USM bei schwer gestörter Sprache, vor gegenüber nach der Feinabstimmung | 48,1 gegenüber 31,3 | Google (Tobin et al.) 2024 |
| Personalisierte Modelle, relative WER-Verbesserung bei ALS-Sprache | 62%, wobei 71% des Gewinns aus 5 Minuten Daten stammten | Google (Shor et al.), Interspeech 2019 |
| Mit den Trainingssprechern geteilte Parkinson-Sätze, LibriSpeech-Modell mit 960 Stunden gegenüber auf Projektdaten feinabgestimmtem Modell | 45,39% gegenüber 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Eindeutige Texte in TORGO gegenüber Texteinträgen | 957 gegenüber 16.394 | Hui et al., arXiv 2024 |
| US-Kinder im Alter von 3 bis 17 Jahren mit Kommunikations- oder Schluckstörung (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Dysarthrie bei Menschen mit Parkinson-Krankheit | 44% bis 88% | ASHA Practice Portal, Dysarthria in Adults |
Methodik und Quellen
Wir führten 17 Recherchen durch und lasen die primäre Datensatzseite, den Registereintrag, den Zeitschriftenartikel oder den Preprint hinter jeder Zahl. Fehlerraten werden in der jeweiligen Notation der Quelle angegeben: WER für die Wortfehlerrate, Zeichenfehlerrate (CER), wo die Quelle sie verwendet (Feinabstimmung auf UA-Speech und das Mandarin-Korpus), mit oder ohne Prozentzeichen, wie die Quelle es ausweist. Zahlen, die älter als drei Jahre sind, werden in ihren Abschnitten als aktuellste verfügbare Daten gekennzeichnet.
- Startseite des Speech Accessibility Project (Beckman Institute, University of Illinois), 2026
- Speech Accessibility Project, Conduct Research Through the Project
- Speech Accessibility Project, Speech Accessibility Project Data Leads to Recognition Improvements on Microsoft Azure, 2025
- Speech Accessibility Project, Now Sharing Recordings and Data, 2024
- YorVoice-Katalog der University of York, Eintrag zum Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson et al., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng et al., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, Seite zu Veröffentlichungen und Datenzugang von Project Euphonia
- Jiang et al. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin et al. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin und Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek und Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor et al. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 und der Beitrag im Google-Research-Blog zur Euphonia-Personalisierung, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim et al., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 und die Verteilungsseite von UA-Speech, University of Illinois
- Turrisi et al., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang et al., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh und Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot et al. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang und Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi und Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech-ASR-Korpus
- Black, Vahratian und Hoffman, Communication Disorders and Use of Intervention Services Among Children Aged 3-17 Years, NCHS Data Brief No. 205, 2015
- NIDCD, Quick Statistics About Voice, Speech, and Language
- ASHA Practice Portal, Dysarthria in Adults
- ASHA-YouGov National Poll: Most Adults With Communication Disorders Report Facing Stigmas, 2024
- Daten-Hinweis: Die Größe des Speech Accessibility Project wird auf drei Arten beschrieben. Seine Forschungsseite nennt 1.500 Stunden von rund 999 Teilnehmenden, der Katalogeintrag der University of York nennt rund 1.090 Stunden von rund 1.130 Teilnehmenden, und die Startseite zählt rund 2.000 Personen, die bis September 2025 Aufnahmen eingereicht hatten (eingereichte Aufnahmen sind nicht dasselbe wie veröffentlichte, transkribierte Daten); wir geben alle drei an, statt eine auszuwählen. Der Eintrag bei ClinicalTrials.gov führt nur die Parkinson-Krankheit und verwandte Parkinson-Syndrome auf, sodass seine tatsächliche Aufnahme von 485 nicht als Gesamtzahl des Projekts gelesen werden sollte. Der JSLHR-Artikel nennt den Trainingssatz des ersten Pakets mit 190 Sprechern im Methodenteil und mit 191 im Ergebnisteil. Die Zusammenfassung des TORGO-Zeitschriftenartikels beschreibt sieben Personen mit Sprechbeeinträchtigungen, während die LDC-Veröffentlichung acht dysarthrische Sprecher aufführt; wir verwenden die Zahl des LDC. Die Zusammenfassung des USM-Artikels beschreibt rund 1.000 Stunden gestörter Sprache und weniger als 1% der Trainingsdaten, während seine Trainingstabelle 1.158 Stunden aufführt. Der CDSD-Artikel beschreibt Teil B in einem Abschnitt mit 8 Sprechern und in einem anderen mit 7, nachdem ein Sprecher wegen Annotationsfehlern entfernt wurde. Bei Tobin und Tomanek besagt der Text, dass 90% der leichten Sprecher das Ziel mit 50 Äußerungen erreichen, während die Tabelle 93% zeigt. Die Zahl von 18% bis 60% bei Microsoft wird als Genauigkeitsgewinn ohne angegebene Metrik oder Testset beschrieben. Die beiden Zahlen zum Euphonia-Korpus (2024 und 2025) spiegeln Wachstum wider, keinen Widerspruch. Prävalenz bei Kindern: Das NIDCD nennt 7,2% allein für Stimm-, Sprech- oder Sprachstörungen, gegenüber den 7,7% des NCHS, die auch Schluckstörungen mitzählen.
Zuletzt aktualisiert: 24. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn das Speech Accessibility Project sein nächstes Datenpaket und die Veröffentlichung der Trainings- und Testaufteilung bekannt gibt.