Unverändert eingesetzt, erzeugte Whisper bei Kindergartenkindern, die vorgegebene Texte lasen, eine Wortfehlerrate von 84,6%, gegenüber 17,5% bei Viertklässlern im selben Test (Singh, Sahidullah und Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Die Wortfehlerrate (WER) ist der Anteil der Wörter, die ein System im Vergleich zu einer menschlichen Transkription ersetzt, auslässt oder einfügt, und kann daher sogar über 100% liegen. Dieselbe Modellfamilie erreichte 25,00% WER bei amerikanischen Kindern im Gespräch mit einem Naturwissenschafts-Tutor und 5,40% bei vorgelesener Erwachsenensprache (Jain et al., Interspeech 2023), und die Lücke folgt den Trainingsdaten: Der größte öffentliche englische Kinderkorpus umfasst etwa 470 Stunden (Linguistic Data Consortium, LDC2021S05), während Whisper-largeV3 mit 1 Million Stunden trainiert wurde (Fan et al., Interspeech 2024). Das Alter ist nur eine Achse des Problems; die Lücken bei Akzent und Dialekt und die Halluzinationsraten folgen einer ähnlichen Logik der Datenabdeckung. Wir haben Daten aus Beiträgen von Interspeech, ICASSP und WOCCI, dem Journal of the Acoustical Society of America, dem Linguistic Data Consortium, Frontiers in Education und der US-amerikanischen Federal Trade Commission zusammengetragen.
TL;DR
- WER von Whisper ohne Anpassung im CSLU-Kids-Test mit vorgegebenen Texten: 84,6% im Kindergarten gegenüber 17,5% in Klasse 4 (Singh et al., 2025).
- Whisper Large-V2 unverändert: 25,00% WER bei MyST-Kindersprache gegenüber 5,40% bei LibriTTS-Erwachsenensprache (Jain et al., Interspeech 2023).
- Whisper large ohne Anpassung: 43,9% WER für 4 bis 7 Jahre gegenüber 13,4% für 8 bis 10 Jahre (Ying et al., WOCCI 2025).
- Die Disfluenzrate bei Kindern lag bei 10,1% gegenüber 6,2% in Erwachsenengesprächen von Switchboard (Tran et al., Interspeech 2020).
- Whisper-largeV3 trainiert mit 1 Million Stunden gegenüber 133 Stunden gefilterter MyST-Kindertrainingsdaten (Fan et al., Interspeech 2024).
- Nur etwa 45% der 227.567 MyST-Äußerungen sind transkribiert (Linguistic Data Consortium, LDC2021S05).
- Feinabstimmung mit 10 Stunden Kindersprache senkte die WER von Whisper Large-V2 bei PF-STAR von 73,68% auf 2,88% (Jain et al., Interspeech 2023).
- Generative Fehlerkorrektur senkte die Kinder-WER von 30,5% auf 21,8%, ein relativer Rückgang von 28,5% (Balaji Shankar et al., CHSER, Interspeech 2025).
- Ein Lese-Screening-System stimmte mit menschlichen Bewertern bei einem Kappa von 0,16 für Phonemverschmelzung gegenüber 0,72 für Wortschatz überein (Petscher et al., Frontiers in Education 2026).
- Die geänderte COPPA-Regel führt Stimmabdrücke als personenbezogene Informationen auf und verlangt, Audio direkt nach der Nutzung zu löschen (FTC, COPPA Final Rule 2025).
1. Die Lücke zwischen Kindern und Erwachsenen ohne Anpassung
Die Schlagzeilenzahl für jedes Produkt zur Kindersprache ist das Ergebnis ohne Anpassung, also das Ergebnis eines Modells, wie es ausgeliefert wird, ohne zusätzliches Training mit Kinderaufnahmen. Whisper Large-V2 erreichte 25,00% WER bei MyST-Kindersprache und 73,68% bei britischen Kindern im PF-STAR-Korpus, gegenüber 5,40% bei vorgelesener Erwachsenensprache, also etwa das 4,6-Fache und das 13,6-Fache der Erwachsenenrate (25,00 / 5,40 und 73,68 / 5,40) in derselben Auswertung (Jain et al., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Neueste verfügbare Daten für diesen Vergleich: 2023.
Neuere Modelle verringern die Lücke, schließen sie aber nicht. In einem Benchmark von 2024 übertrafen NVIDIAs Modelle Canary und Parakeet trotz weit kleinerer Trainingsmengen alle Whisper-Größen bei Kindersprache, woraus die Autoren schlossen, dass Datenqualität manchmal wichtiger ist als Datenmenge (Fan, Balaji Shankar und Alwan, Interspeech 2024). Das Verhältnis hält sich seit zwei Jahrzehnten hartnäckig: Eine IEEE-Studie von 2003 berichtete bereits Fehlerraten bei Kindern vom Zwei- bis Fünffachen der Erwachsenenrate.
| Metrik | Wert | Quelle |
|---|---|---|
| WER von Whisper Large-V2 ohne Kindertraining: MyST-Kinder gegenüber vorgelesener LibriTTS-Erwachsenensprache | 25,00% gegenüber 5,40% | Jain et al., Interspeech 2023 |
| WER von Whisper Large-V2 ohne Kindertraining: britische PF-STAR-Kinder; vorgelesene CMU-Kids-Sprache | 73,68%; 12,69% | Jain et al., Interspeech 2023 |
| WER von Whisper-largeV3 ohne Anpassung: MyST-Test gegenüber OGI-Kids-Test | 12,6% gegenüber 19,9% | Fan et al., Interspeech 2024 |
| WER von Canary (1B) gegenüber Parakeet-RNNT (1,1B) ohne Anpassung im MyST-Test; im OGI-Test | 9,5% gegenüber 11,1%; 18,2% gegenüber 16,7% | Fan et al., Interspeech 2024 |
| WER von Whisper Medium.en ohne Anpassung: CSLU-Kids-Spontansprache gegenüber LibriSpeech-Erwachsenen-test-clean | 31,85% gegenüber 3,02% | Attia et al., Kid-Whisper, AAAI/ACM AIES 2024 |
| Fehlerrate von auf Erwachsene trainierten Erkennern bei Kindern gegenüber Erwachsenen | zwei- bis fünfmal schlechter | Potamianos und Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Kontexthinweis: Die beiden Whisper-Werte für MyST (25,00% und 12,6%) sind kein Widerspruch in der Modellqualität. Der Benchmark von 2024 entfernte vor der Bewertung Äußerungen mit einer WER über 50% oder mit weniger als 3 Wörtern, was die Ergebnisse allein um mehrere Punkte verschiebt (siehe Abschnitt 5).
2. Fehlerraten nach Altersgruppe
“Kinder” sind keine einheitliche Gruppe. Im CSLU-Kids-Test mit vorgegebenen Texten sank die WER von Whisper ohne Anpassung von 84,6% im Kindergarten auf 37,5% in Klasse 1 und 17,5% in Klasse 4, ein Unterschied um das 4,8-Fache (84,6 / 17,5) innerhalb eines einzigen Testsatzes (Singh, Sahidullah und Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Der Großteil der Verbesserung ist bis Klasse 4 erreicht; danach fällt die Kurve nicht weiter, und die WER von Whisper in den Klassen 6 bis 10 liegt über ihrem Tiefstwert in Klasse 4.
Ein ESPnet-Benchmark von 2025 fand dieselbe Kante mit anderen Modellen. Whisper large ohne Anpassung erreichte 43,9% für 4 bis 7 Jahre und stieg dann von 13,4% bei 8 bis 10 Jahren wieder auf 18,6% bei 11 bis 15 Jahren, während ein offenes, auf Kindersprache feinabgestimmtes Modell in jeder Altersgruppe unter 10% blieb (Ying et al., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Derselbe Alterseffekt zeigt sich bei der Sprecherverifikation (Prüfung, ob zwei Aufnahmen von derselben Person stammen), was für jeden Stimm-Login in Kinderkonten relevant ist.
| Metrik | Wert | Quelle |
|---|---|---|
| WER von Whisper ohne Anpassung im CSLU-Kids-Test mit vorgegebenen Texten: Kindergarten gegenüber Klasse 4 | 84,6% gegenüber 17,5% | Singh et al., 2025 |
| Derselbe Test: Klasse 1; Klasse 2; Klasse 3 | 37,5%; 28,0%; 23,1% | Singh et al., 2025 |
| Derselbe Test: Klasse 10 | 22,4% | Singh et al., 2025 |
| WER von Whisper large ohne Anpassung nach Alter: 4 bis 7; 8 bis 10; 11 bis 15 | 43,9%; 13,4%; 18,6% | Ying et al., WOCCI 2025 |
| OWSM v3.1 auf Kindersprache feinabgestimmt, WER nach Alter: 4 bis 7; 8 bis 10; 11 bis 15 | 9,0%; 7,3%; 1,8% | Ying et al., WOCCI 2025 |
| Equal Error Rate der Sprecherverifikation (Anteil falscher Annahme-/Ablehnungsentscheidungen am Gleichgewichtspunkt), 4 bis 7 Jahre gegenüber 11 bis 15 Jahren | 13,2% gegenüber 3,73% | Ying et al., WOCCI 2025 |
| Vollständig korrekt transkribierte Äußerungen von Kindern mit einem Durchschnittsalter von 4,9: Whisper large-v3 gegenüber Google-Cloud-ASR (2024) | 36,8% gegenüber 9,6% | Janssens et al., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Ausreißer-Hinweis: Das Modell MMS erreichte im Test von Singh et al. in Klasse 6 eine WER von 193,3%, weil es weit mehr Wörter einfügte, als gesprochen wurden. Eine WER über 100% ist ein Zeichen für außer Kontrolle geratene Einfügungen, kein Tippfehler.
3. Warum Kindersprache auf Erwachsene trainierte Modelle überfordert: Akustik und Disfluenz
Zwei Mechanismen dominieren. Erstens ist die Stimme selbst ein bewegliches Ziel. Eine Studie mit 436 Kindern im Alter von 5 bis 17 Jahren und 56 Erwachsenen ergab, dass Segmentdauern erst etwa im Alter von 12 Jahren das Erwachsenenniveau erreichen, wobei die Variabilität von Grundfrequenz und Formanten (den Resonanzen, die Vokale kennzeichnen) etwa 2 bis 3 weitere Jahre braucht (Lee, Potamianos und Narayanan, JASA 1999). Ein auf Resonanzen Erwachsener abgestimmtes Modell hört im Grunde ein anderes Instrument. Neueste verfügbare Daten: Lee, Potamianos und Narayanan, 1999.
Zweitens sprechen Kinder anders. Ihre spontanen Erklärungen zeigten höhere Raten an Disfluenzen und Füllwörtern als Erwachsenengespräche, darunter weit mehr ‘um’ und mehr mittendrin abgebrochene Wörter (Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Eine kausale Modellierung von 2025 stellte das Alter und die Anzahl der Wörter einer Äußerung an die Spitze der Fehlertreiber, vor Hintergrundgeräusche und Aussprachefähigkeit. Sprache, die aus klinischen Gründen von der Erwachsenennorm abweicht, trifft auf dieselbe Falle, wie unsere Datenübersicht zu dysarthrischer und atypischer Sprache zeigt.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprecher in der Studie zur Entwicklungsakustik | 436 Kinder im Alter von 5 bis 17 Jahren; 56 Erwachsene | Lee, Potamianos und Narayanan, JASA 1999 |
| Alter, in dem Segmentdauern das Erwachsenenniveau erreichen | etwa 12 | Lee, Potamianos und Narayanan, JASA 1999 |
| Zusätzliche Zeit, bis die Variabilität von Grundfrequenz und Formanten innerhalb eines Sprechers den Erwachsenenbereich erreicht | etwa 2 bis 3 Jahre | Lee, Potamianos und Narayanan, JASA 1999 |
| Alter, in dem sich die Muster von Grundfrequenz und Formanten bei Jungen und Mädchen zu trennen beginnen; vollständig ausgeprägt | etwa 11; etwa 15 | Lee, Potamianos und Narayanan, JASA 1999 |
| Disfluenzrate: Kinder gegenüber Erwachsenengesprächen bei Switchboard gegenüber Erwachsenengesprächen bei CallHome | 10,1% gegenüber 6,2% gegenüber 6,3% | Tran et al., Interspeech 2020 |
| Rate des Füllworts ‘um’: Kinder gegenüber Erwachsenen bei Switchboard | 2,3% gegenüber 0,5% | Tran et al., Interspeech 2020 |
| Rate von Wortfragmenten (mittendrin abgebrochene Wörter): Kinder gegenüber Erwachsenen bei Switchboard | 1,8% gegenüber 0,5% | Tran et al., Interspeech 2020 |
Kontexthinweis: Der Disfluenz-Korpus ist klein (26 Kinder, etwa 1,26 Stunden Kindersprache), und die Veröffentlichung nennt das Alter der Kinder an einer Stelle mit 4,8 bis 7 und an anderer Stelle mit 5 bis 8. Neueste verfügbare Daten: 2020.
4. Datenknappheit: Stunden an Kindersprache gegenüber den Trainingsmengen von Foundation-Modellen
Das Größenmissverhältnis beträgt mehrere Größenordnungen. Whisper-largeV3 wurde mit 1 Million Stunden Audio trainiert, während einem Benchmark von 2024 für die Feinabstimmung 133 Stunden gefilterte MyST-Kindersprache zur Verfügung standen, sodass der Kindersatz etwa 0,0133% dieses Vortrainingsbestands entspricht (133 / 1.000.000) (Fan et al., Interspeech 2024). Selbst das schlankere Parakeet sah 64.000 Stunden, etwa das 480-Fache der MyST-Trainingsaufteilung (64.000 / 133).
MyST selbst ist nur gemessen an den Maßstäben der Kindersprache groß. Der Katalog des Linguistic Data Consortium nennt etwa 470 Stunden von 1.371 Schülern der Klassen 3 bis 5, erhoben zwischen 2008 und 2017, wobei 102.433 von 227.567 Äußerungen transkribiert sind (LDC2021S05, MyST Children’s Conversational Speech). Die Urheber beschreiben den Korpus mit etwa 400 Stunden und weisen darauf hin, wie schwer es ist, Kindersprache in großem Umfang zu beschaffen (Pradhan, Cole und Ward, LREC-COLING 2024). Jüngere Kinder und andere Sprachen haben weit weniger: Ein Mandarin-Korpus von 2025 für 3- bis 5-Jährige umfasst 41,25 Stunden (Zhou et al., ChildMandarin 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Vortrainingsdaten: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 Stunden | Fan et al., Interspeech 2024 |
| MyST-Korpus laut Katalog | etwa 470 Stunden; 1.371 Schüler der Klassen 3 bis 5; 10.496 Nachhilfesitzungen | Linguistic Data Consortium, LDC2021S05 (2021) |
| MyST-Äußerungen mit Transkription | 102.433 von 227.567 (etwa 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| ChildMandarin-Korpus, Kinder von 3 bis 5 Jahren | 41,25 Stunden; 397 Sprecher | Zhou et al., ChildMandarin 2025 |
| PF-STAR-Korpus mit britisch-englischen Kindern, wie in einer Korpusübersicht von 2025 aufgeführt | 14,5 Stunden; 158 Sprecher im Alter von 4 bis 14 Jahren | Zhou et al., ChildMandarin 2025 |
| CMU Kids; vorgegebene Texte von OGI Kids | 9 Stunden, 76 Sprecher; 70 Stunden, 1.118 Sprecher | Ying et al., WOCCI 2025 |
| Kinder- gegenüber Erwachsenentrainingsdaten in einer Transfer-Learning-Studie von 2018 | 91,61 Stunden (6 bis 14 Jahre) gegenüber 205,82 Stunden (TED-LIUM-Erwachsene) | Shivakumar und Georgiou, arXiv 2018 |
Kontexthinweis: Die Stundenangaben zu MyST unterscheiden sich je nach Quelle (etwa 470 im LDC-Katalog, 393 oder etwa 400 in der Korpus-Veröffentlichung, etwa 240 transkribierte Stunden im Benchmark von 2024). Wir geben jede Zahl mit ihrer eigenen Quelle an.
5. Gewinne durch Feinabstimmung und Anpassung
Feinabstimmung bedeutet, ein Modell weiter mit Kinderaufnahmen zu trainieren. Sie ist die zuverlässigste Lösung, und die Gewinne sind dort am größten, wo das Modell ohne Anpassung am schlechtesten war. Whisper Large-V2 sank bei britischen PF-STAR-Kindern von 73,68% auf 2,88% WER, nachdem es mit nur 10 Stunden PF-STAR-Sprache feinabgestimmt worden war (Jain et al., Interspeech 2023). Bei der Gesprächssprache von MyST sank Whisper-small von 13,4% auf 9,3%, eine relative Verringerung um 30,6% ((13,4 - 9,3) / 13,4), und ein kleines Adaptermodul, das 1,29 Millionen Parameter aktualisiert, erreichte dasselbe wie die vollständige Feinabstimmung mit 242 Millionen.
Die neueren Verfahren jagen den letzten Punkten hinterher. Das Zusammenführen nur der Attention-Gewichte verwandter Modelle stellte mit 8,69% WER für Whisper-small einen MyST-Rekord auf (Balaji Shankar et al., Selective Attention Merging, ICASSP 2025), und ein Textkorrekturmodell, trainiert mit 200K Paaren aus ASR-Ausgabe und menschlicher Transkription, senkte die Fehler über vier Kinderkorpora hinweg. Wie ein Testsatz bereinigt wird, zählt so viel wie die Methode: Das Verwerfen von Dateien mit einer WER über 50% oder weniger als 3 Wörtern verschob die Test-WER von Whisper-Large-v1 bei MyST von 26,2% auf 14,2%, ohne dass sich am Modell etwas änderte (Attia et al., Kid-Whisper, AIES 2024).
| Metrik | Wert | Quelle |
|---|---|---|
| WER von Whisper Large-V2 bei PF-STAR: vor gegenüber nach Feinabstimmung mit 10 Stunden Kindersprache | 73,68% gegenüber 2,88% | Jain et al., Interspeech 2023 |
| WER von Whisper-small, ohne Anpassung gegenüber feinabgestimmt: MyST-Test; OGI-Kids-Test | 13,4% gegenüber 9,3%; 25,4% gegenüber 1,8% | Fan et al., Interspeech 2024 |
| Trainierte Parameter, Adapter-Tuning gegenüber vollständiger Feinabstimmung (beide 9,3% WER bei MyST) | 1,29 Millionen gegenüber 242 Millionen | Fan et al., Interspeech 2024 |
| WER von Whisper Medium.en bei CSLU-Kids-Spontansprache: ohne Anpassung gegenüber feinabgestimmt auf MyST plus CSLU | 31,85% gegenüber 16,53% | Attia et al., Kid-Whisper, AIES 2024 |
| Whisper-small mit Selective-Attention-Merging plus Datenaugmentierung, WER bei MyST | 8,69% (relative Verringerung um bis zu 14%) | Balaji Shankar et al., ICASSP 2025 |
| Generative Fehlerkorrektur, WER über vier Kinderkorpora: vorher gegenüber nachher | 30,5% gegenüber 21,8% (28,5% relativ) | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Gemischte Feinabstimmung mit Kinder- und Erwachsenensprache gegenüber dem vortrainierten Modell | bis zu 5% absolut (21% relativ) niedrigere WER | Graave et al., Interspeech 2024 |
| Zeichenfehlerrate von Whisper-small bei Mandarin-Sprache von Kindern im Alter von 3 bis 5 Jahren: ohne Anpassung gegenüber feinabgestimmt | 37,99% gegenüber 17,45% | Zhou et al., ChildMandarin 2025 |
Ausreißer-Hinweis: Gewinne übertragen sich nicht sauber über Akzente, Altersgruppen und Sprechstile hinweg. In derselben Studie von 2023 erreichte Whisper Medium bei PF-STAR-Kindern nach Feinabstimmung auf amerikanische MyST-Sprache 19,76%, gegenüber 3,15% nach Feinabstimmung auf PF-STAR selbst.
6. Leseeinschätzung im Unterricht: Wo Fehlerraten auf Entscheidungen treffen
In der Bildung ist die WER nicht die Endmetrik. Ein Lesetutor muss entscheiden, ob das Kind jedes Wort richtig gelesen hat, sodass ein Transkript eine ansehnliche WER erzielen und trotzdem die Fehler übersehen kann, die eine Lehrkraft sehen muss. In niederländischen Tests zum lauten Lesen mit 71 Kindern im Alter von 7 bis 11 Jahren erreichte Whisper large-v2 ohne Feinabstimmung beim Erkennen von Lesefehlern einen Matthews-Korrelationskoeffizienten (MCC, ein Übereinstimmungsmaß, bei dem 0 Zufall und 1 Perfektion bedeutet) von 0,01, gegenüber 0,63 bei einem maßgeschneiderten Kaldi-System (Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Neueste verfügbare Daten: 2023.
Eine US-Studie von 2026 zu einem kommerziellen Sprachverifizierungssystem fand dasselbe Muster je nach Aufgabe (Petscher et al., Frontiers in Education 2026). Die Übereinstimmung mit menschlichen Bewertern, gemessen mit Cohens Kappa (Übereinstimmung über den Zufall hinaus, von 0 bis 1), war beim expressiven Wortschatz am höchsten und bei der Phonemverschmelzung, der phonologisch komplexesten der drei Aufgaben, am niedrigsten. Die Passung unterschied sich beim Wortlesen auch nach Schülergruppe, ein Befund, der für jeden Schulbezirk wichtig ist, der automatisches Screening einsetzt, um zu entscheiden, welche Kinder Unterstützung in Phonics brauchen.
| Metrik | Wert | Quelle |
|---|---|---|
| Kinder in der niederländischen Studie zum lauten Lesen; Altersspanne | 71; 7 bis 11 | Molenaar et al., Interspeech 2023 |
| Übereinstimmung mit menschlichen Urteilen zu Lesefehlern (MCC): Kaldi-PM-System gegenüber Whisper large-v2 | 0,63 gegenüber 0,01 | Molenaar et al., Interspeech 2023 |
| WER beim Lesen der Kinder gegenüber manuellen Transkripten: Kaldi-PM-System gegenüber Whisper large-v2 | 5,2% gegenüber 13,4% | Molenaar et al., Interspeech 2023 |
| Kindergartenkinder in der US-Studie zur Sprachverifizierung | 429 aus 20 Schulen in drei Bundesstaaten | Petscher et al., Frontiers in Education 2026 |
| Kappa zwischen System und menschlichen Bewertern beim Schwellenwert 50: Phonemverschmelzung; expressiver Wortschatz; Wortlesen | 0,16; 0,72; 0,51 | Petscher et al., Frontiers in Education 2026 |
| Anteil der Antworten, die beim Schwellenwert 50 wie von menschlichen Bewertern eingestuft wurden, dieselben drei Aufgaben | 0,52; 0,87; 0,80 | Petscher et al., Frontiers in Education 2026 |
| Kappa beim Wortlesen mit Schwellenwert 80: schwarze gegenüber weißen Schülern | 0,25 gegenüber 0,47 | Petscher et al., Frontiers in Education 2026 |
Kontexthinweis: Kaldi-PM ist keine einsetzbare Abkürzung, weil seine Vokabelliste die Leseaufgaben mit Wörtern aus den manuellen Transkripten der Testdaten kombiniert. Betrachten Sie es als Maß dafür, was ein eng eingeschränktes System leisten kann, und lesen Sie die 5,2% vor diesem Hintergrund.
7. Datenschutzregeln, die die Erfassung von Kindersprache begrenzen
Die Datenlücke aus Abschnitt 4 ist teilweise ein Ergebnis der Rechtspolitik. Die geänderte COPPA-Regel, veröffentlicht am 22. April 2025, nahm biometrische Identifikatoren in die Definition personenbezogener Informationen von Kindern auf und nennt Stimmabdrücke ausdrücklich (FTC, COPPA Final Rule Amendments 2025). Ihre Ausnahme von der elterlichen Einwilligung für Audio umfasst eine Datei, die die Stimme eines Kindes und keine weiteren personenbezogenen Informationen enthält, nur zur Beantwortung der Anfrage des Kindes verwendet und danach sofort gelöscht wird, was unter dieser Ausnahme keinen Raum lässt, die Datei als Trainingsdaten aufzubewahren.
Die Durchsetzung stützt den Text. 2023 warfen die FTC und das Justizministerium Amazon vor, Alexa-Aufnahmen von Kindern unbegrenzt aufbewahrt zu haben; die vorgeschlagene Anordnung enthielt eine zivilrechtliche Strafe von 25 Millionen Dollar und untersagte, die betroffenen Sprachdaten zum Aufbau oder zur Verbesserung von Datenprodukten zu nutzen (Pressemitteilung der FTC, 31. Mai 2023). Forschende reagieren, indem sie die Erkennung auf das Gerät verlagern: Ein feinabgestimmtes Whisper-tiny.en-Modell lief auf einem Raspberry Pi mit 15,9% WER bei MyST und nannte die Datenschutzregeln als Motivation (Dutta, Chandupatla und Hansen, WOCCI 2025).
| Metrik | Wert | Quelle |
|---|---|---|
| Von COPPA erfasstes Alter | Kinder unter 13 Jahren | Pressemitteilung der FTC, 2023 |
| Geänderte COPPA-Regel: Abstimmung der Kommission; geprüfte öffentliche Stellungnahmen | 5-0; knapp 300 | Pressemitteilung der FTC, 16. Januar 2025 |
| Geänderte Regel: Veröffentlichung im Federal Register; vollständige Umsetzungsfrist | 22. April 2025; ein Jahr ab Veröffentlichung | FTC, COPPA Final Rule Amendments 2025 |
| Als personenbezogene Informationen genannte biometrische Identifikatoren | Stimmabdrücke, neben Fingerabdrücken, Gesichtsvorlagen und Gangmustern | FTC, COPPA Final Rule 2025 |
| Fall Amazon Alexa: zivilrechtliche Strafe; Kinder, die Alexa über ihr eigenes Profil nutzen | 25 Millionen Dollar; mehr als 800.000 | FTC, Pressemitteilung und Business-Blog zu Amazon Alexa, 31. Mai 2023 |
| Whisper tiny.en auf dem Gerät, auf einem Raspberry Pi: WER bei MyST; mit Datenfilterung; Echtzeitfaktor (Verarbeitungszeit geteilt durch Audiolänge) | 15,9%; 11,8%; 0,23 bis 0,41 | Dutta et al., WOCCI 2025 |
Kontexthinweis: Die Durchsetzungspolitik der FTC von 2017 zu Sprachaufnahmen legte dieselbe Logik kurzer Aufbewahrung fest und erlaubte Audio, das nur als Ersatz für geschriebene Wörter erfasst und umgehend gelöscht wird (Grundsatzerklärung der FTC, 2017). Neueste verfügbare Daten zum Fall Amazon: 2023.
Zusammenfassung: Die Wortfehlerrate bei der Spracherkennung für Kinder in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| WER von Whisper ohne Anpassung im CSLU-Kids-Test mit vorgegebenen Texten: Kindergarten gegenüber Klasse 4 | 84,6% gegenüber 17,5% | Singh et al., 2025 |
| WER von Whisper Large-V2 ohne Kindertraining: MyST-Kinder gegenüber vorgelesener Erwachsenensprache | 25,00% gegenüber 5,40% | Jain et al., Interspeech 2023 |
| WER von Whisper large ohne Anpassung: 4 bis 7 Jahre gegenüber 8 bis 10 Jahren | 43,9% gegenüber 13,4% | Ying et al., WOCCI 2025 |
| Fehlerrate der Sprecherverifikation: 4 bis 7 Jahre gegenüber 11 bis 15 Jahren | 13,2% gegenüber 3,73% | Ying et al., WOCCI 2025 |
| Kinder mit Durchschnittsalter 4,9: vollständig korrekte Transkriptionen, Whisper large-v3 gegenüber Google | 36,8% gegenüber 9,6% | Janssens et al., Technological Advances in Human-Robot Interaction 2024 |
| Auf Erwachsene trainierte Erkenner bei Kindern gegenüber Erwachsenen | zwei- bis fünfmal schlechter | Potamianos und Narayanan, IEEE TSAP 2003 |
| Alter, in dem die Segmentdauern von Kindern das Erwachsenenniveau erreichen | etwa 12 | Lee, Potamianos und Narayanan, JASA 1999 |
| Disfluenzrate: Kinder gegenüber Erwachsenen bei Switchboard | 10,1% gegenüber 6,2% | Tran et al., Interspeech 2020 |
| Vortrainingsdaten, Whisper-largeV3 gegenüber gefiltertem MyST-Kindertrainingssatz | 1.000.000 gegenüber 133 Stunden | Fan et al., Interspeech 2024 |
| Größe des MyST-Korpus | etwa 470 Stunden; 1.371 Schüler | Linguistic Data Consortium, LDC2021S05 |
| Mandarin-Kinderkorpus, 3 bis 5 Jahre | 41,25 Stunden; 397 Sprecher | Zhou et al., ChildMandarin 2025 |
| Whisper Large-V2 bei PF-STAR: vor gegenüber nach 10 Stunden Feinabstimmung | 73,68% gegenüber 2,88% | Jain et al., Interspeech 2023 |
| Beste berichtete WER von Whisper-small bei MyST (Attention-Merging plus Augmentierung) | 8,69% | Balaji Shankar et al., ICASSP 2025 |
| Generative Fehlerkorrektur über vier Kinderkorpora | WER von 30,5% auf 21,8% | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Übereinstimmung bei der Erkennung von Lesefehlern (MCC): Kaldi-PM-System gegenüber Whisper large-v2 | 0,63 gegenüber 0,01 | Molenaar et al., Interspeech 2023 |
| Kappa beim Kindergarten-Screening: Phonemverschmelzung gegenüber expressivem Wortschatz | 0,16 gegenüber 0,72 | Petscher et al., Frontiers in Education 2026 |
| Fall der Alexa-Sprachdaten von Kindern bei Amazon, zivilrechtliche Strafe | 25 Millionen Dollar | FTC, 2023 |
Methodik und Quellen
Wir haben 21 Websuchen durchgeführt und für jede der obigen Zahlen die zugrunde liegende Originalveröffentlichung, den Katalogeintrag, den Zeitschriftenartikel oder den Regulierungstext gelesen. WER-Werte werden genau so wiedergegeben, wie sie in der jeweiligen Veröffentlichung stehen; Testsätze, Textnormalisierung und Filterung unterscheiden sich zwischen den Studien, daher sollten Zahlen innerhalb einer Zeile oder einer einzelnen Studie verglichen werden und nicht über Studien hinweg. Zahlen, die älter als drei Jahre sind, sind in ihren Abschnitten als neueste verfügbare Daten gekennzeichnet.
- Singh, Sahidullah and Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (eingereicht bei Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran and Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar and Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying et al., Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia et al., Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens et al., Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos and Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos and Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole and Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou et al., ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar and Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar et al., Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar et al., CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave et al., Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher et al., Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla and Hansen, Adapting Whisper for Lightweight and Efficient ASR of Children for On-device Edge Applications, WOCCI 2025
- FTC, FTC Finalizes Changes to Children’s Privacy Rule, 16. Januar 2025 und 16 CFR Part 312: COPPA Final Rule Amendments
- FTC und DOJ, Pressemitteilung zu Amazon Alexa, 31. Mai 2023 und Business-Blog der FTC zum Fall Alexa
- Daten-Hinweis: (1) Die Ergebnisse von Whisper ohne Anpassung auf MyST reichen von etwa 12,5% bis 25%, je nachdem, ob der Testsatz gefiltert wurde, sodass die Benchmarks von 2023 und 2024 nicht direkt vergleichbar sind. (2) Die Größe von MyST wird mit etwa 470 Stunden (LDC), 393 oder etwa 400 Stunden (Korpus-Veröffentlichung) und etwa 240 transkribierten Stunden (Benchmark von 2024) angegeben. (3) Die Ergebnisse nach Klassenstufe von Singh et al. sind ein Preprint, und die Veröffentlichung beschreibt MyST an einer Stelle als Klassen 3 bis 5 und an anderer Stelle als Klassen 5 bis 8. (4) Der ESPnet-Benchmark schreibt seine beste durchschnittliche WER in einem Abschnitt Whisper-small und in einem anderen Whisper medium zu. (5) Die im CHSER-Abstract genannte Verringerung um 13,3% für bereits feinabgestimmte Systeme gilt nur für Whisper Tiny; der Text nennt eine Spanne von 9% bis 13,3%. (6) Die Veröffentlichung von Molenaar et al. gibt den MCC von Kaldi-PM im Ergebnistext mit 0,62 und an anderer Stelle mit 0,63 an (wir verwenden 0,63), und ihre Tabelle zeigt Kaldi-MO, dessen Vokabular nur aus den Testtranskripten stammt, mit 0,65. (7) Die Frontiers-Studie bewertete ein einziges kommerzielles System, daher sollten ihre Übereinstimmungswerte nicht auf alle Lesewerkzeuge verallgemeinert werden. (8) Mehrere grundlegende Zahlen (1999, 2003, 2020, 2023) sind als neueste verfügbare Daten gekennzeichnet; Beiträge der ICASSP 2027 sollen die Benchmark-Zahlen aktualisieren.
Zuletzt aktualisiert: 31. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn die Tagungsbände der ICASSP 2027 veröffentlicht werden.