Cuando comenzó el Speech Accessibility Project, la mayor base de datos de habla atípica incluía a 16 personas con parálisis cerebral; a finales de septiembre de 2025, unos 2.000 participantes habían enviado grabaciones al proyecto (Speech Accessibility Project, 2025 y 2026). El Project Euphonia de Google, el otro gran corpus, alcanzó más de 1,5 millones de enunciados de unos 3.000 hablantes en febrero de 2025, pero está cerrado a equipos externos (Martin et al., Frontiers in Language Sciences 2025; Google Project Euphonia). Más datos todavía no han borrado la brecha: en una evaluación comparativa de 2026 de ocho sistemas de IA, el habla típica se mantuvo por debajo del 5% de tasa de error de palabras (WER, la proporción de palabras que un sistema transcribe mal), mientras que la disartria grave superó el 51% en todos los sistemas (Alsayegh y Masood, International Journal of Intelligent Systems 2026). Reunimos datos del Speech Accessibility Project del Beckman Institute de la University of Illinois, de Google Research, del Linguistic Data Consortium, del NIDCD, de la ASHA y de más de una docena de artículos revisados por pares. Nuestras estadísticas de sesgo de acento en el reconocimiento de voz muestran cómo se comparan estos errores con las brechas por raza, dialecto y acento; este informe examina los propios conjuntos de datos: qué tan grandes son, quiénes están en ellos y qué efecto tienen en las tasas de error.
TL;DR
- Unas 2.000 personas habían enviado grabaciones al Speech Accessibility Project a finales de septiembre de 2025 (Speech Accessibility Project, 2026).
- El Project Euphonia reunía más de 1,5 millones de enunciados de unos 3.000 hablantes en febrero de 2025, y Google no lo comparte fuera de la empresa (Martin et al., Frontiers in Language Sciences 2025).
- TORGO, una referencia estándar desde 2012, reúne 8 hablantes con disartria y unas 23 horas de audio (Linguistic Data Consortium, LDC2012S02).
- UA-Speech grabó a 19 hablantes con parálisis cerebral en 2008, y 16 siguen en la distribución actual (University of Illinois, UA-Speech 2008).
- Enfermedad de Parkinson, parálisis cerebral, ELA, síndrome de Down e ictus tenían planificados 400 participantes cada uno en el Speech Accessibility Project (ClinicalTrials.gov NCT05889260).
- Los hablantes con ELA representaban el 39,2% de un subconjunto de investigación de Euphonia con 195 hablantes, frente al 10,8% de la enfermedad de Parkinson (Tobin y Tomanek, Google 2021).
- Los ocho sistemas de IA superaron el 51% de WER en disartria grave en TORGO (Alsayegh y Masood, IJIS 2026).
- La tasa de error de caracteres de Whisper-Turbo sin adaptación (zero-shot) en UA-Speech fue del 9,3% para hablantes de control y del 165,2% para hablantes disártricos (de Groot et al., TU Delft 2025).
- El ajuste fino del USM de Google con habla con trastornos redujo el WER en habla grave de 48,1 a 31,3 (Tobin et al., Google Research 2024).
- Los modelos personalizados mejoraron el WER en ELA un 62% en términos relativos, con el 71% de la mejora proveniente de 5 minutos de datos (Shor et al., Interspeech 2019).
- TORGO contiene solo 957 textos únicos entre 16.394 entradas de texto (Hui et al., 2024).
- La disartria afecta al 44% a 88% de las personas con enfermedad de Parkinson (ASHA Practice Portal, Dysarthria in Adults).
1. Los Dos Grandes Corpus: Speech Accessibility Project y Project Euphonia
Los datos de habla con trastornos ya existen a una escala comparable a la de LibriSpeech, una referencia de habla leída muy utilizada, pero solo una de las dos grandes colecciones es abierta. Unos 2.000 participantes habían enviado grabaciones al Speech Accessibility Project a finales de septiembre de 2025, y el proyecto afirma que unas 65 organizaciones usan sus datos. El corpus de Euphonia de Google es mayor en número de hablantes, pero la página del proyecto indica que el conjunto de datos no está disponible para equipos o empresas externas (Google, Project Euphonia).
En la práctica, esto significa que la investigación abierta sobre reconocimiento de habla con trastornos pasa en gran medida por un único guardián. El Speech Accessibility Project entrega los datos mediante un acuerdo de uso de datos (un contrato firmado que establece quién puede usar las grabaciones y para qué), que exige dos firmas de la organización solicitante y dura como máximo 3 años (Speech Accessibility Project, página Conduct Research). El crecimiento de Euphonia, de 1,2 millones de enunciados en 2024 a más de 1,5 millones en 2025, se queda dentro de Google.
| Métrica | Valor | Fuente |
|---|---|---|
| Participantes que habían enviado grabaciones al Speech Accessibility Project, finales de septiembre de 2025 | Unos 2.000 | Speech Accessibility Project, página de inicio 2026 |
| Paquete de datos del Speech Accessibility Project, descripción del catálogo | Unas 1.090 horas de habla de unos 1.130 participantes; cinco afecciones | Catálogo YorVoice de la University of York, registro del Speech Accessibility Project |
| Página de acceso para investigación del Speech Accessibility Project | 1.500 horas de habla grabada; unos 999 participantes; unas 65 organizaciones que usan los datos | Speech Accessibility Project, página Conduct Research 2026 |
| Corpus del Project Euphonia, febrero de 2025 | Más de 1,5 millones de enunciados de unos 3.000 hablantes | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Corpus del Project Euphonia, 2024 | 1,2 millones de enunciados de más de 2.000 hablantes | Google (Jiang et al.), Interspeech 2024 |
| Grabaciones de Euphonia con transcripciones corregidas y revisadas por humanos | 352.130 (29% del corpus) | Google (Jiang et al.), Interspeech 2024 |
| Hablantes de Euphonia con etiquetas de características del habla | Más del 75% de los hablantes, más de 40 etiquetas | Google (Jiang et al.), Interspeech 2024 |
Contexto: para dar escala, LibriSpeech, construido a partir de audiolibros leídos, es un corpus de unas 1.000 horas (OpenSLR, LibriSpeech). Las dos descripciones del Speech Accessibility Project no coinciden (más horas pero menos participantes en la página del propio proyecto), lo que registramos en la nota sobre los datos. Las cifras de Euphonia provienen de Jiang et al. y Martin et al..
2. Los Corpus Más Antiguos: TORGO, UA-Speech y la Era de los Pocos Datos
Durante más de una década, el reconocimiento de habla disártrica se evaluó con un puñado de hablantes. TORGO contiene 8 hablantes con disartria (5 hombres, 3 mujeres) y 7 hablantes de control, unas 23 horas de inglés grabadas en Toronto entre 2008 y 2010. UA-Speech, grabado en la University of Illinois, abarcó 19 hablantes con parálisis cerebral, cada uno leyendo 765 palabras aisladas (Kim et al., Interspeech 2008). Un modelo presentado como estado del arte en cualquiera de los dos corpus ha sido, en la práctica, probado con menos personas que un aula típica.
Los corpus también se reducen y se fragmentan con el tiempo. UA-Speech distribuye hoy 16 de sus 19 hablantes originales porque tres retiraron el permiso o tenían datos corruptos, y su licencia prohíbe el uso comercial (University of Illinois, UA-Speech). Fuera del inglés, el panorama es similar: un corpus italiano de comandos y un corpus de mandarín se construyen cada uno con unas pocas decenas de hablantes.
| Métrica | Valor | Fuente |
|---|---|---|
| Hablantes de TORGO | 8 con disartria (parálisis cerebral o ELA) y 7 de control | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Audio y publicación de TORGO | Unas 23 horas, grabadas de 2008 a 2010; publicado el 19 de enero de 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Material de lectura de TORGO | 162 frases de Yorkston y Beukelman, 460 frases derivadas de TIMIT, además de grabaciones de movimientos de la lengua y los labios (articulografía electromagnética) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Hablantes de UA-Speech con parálisis cerebral, originales frente a actualmente distribuidos | 19 frente a 16 | Kim et al., Interspeech 2008; University of Illinois, página de UA-Speech |
| Vocabulario y configuración de grabación de UA-Speech | 765 palabras aisladas por hablante, incluidas 300 palabras poco comunes distintas; matriz de 8 micrófonos | Kim et al., Interspeech 2008 |
| Mayor base de datos de habla atípica cuando comenzó el Speech Accessibility Project | 16 personas con parálisis cerebral | Speech Accessibility Project, artículo sobre Microsoft Azure 2025 |
| EasyCall (italiano) | 21.386 grabaciones de 31 hablantes disártricos y 24 sanos | Turrisi et al., Interspeech 2021 |
| CDSD (mandarín) | 133 horas de 44 hablantes | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Dato más reciente disponible: TORGO (LDC, 2012), UA-Speech (Kim et al., 2008) y EasyCall (Interspeech 2021) tienen todos más de tres años, y siguen siendo los corpus sobre los que la mayoría de los artículos todavía informa. El artículo del CDSD en mandarín describe las 133 horas como 124 horas de audio más 9 horas de video, con 80 de las horas de audio provenientes de solo 8 hablantes grabados durante 10 horas cada uno.
3. Quiénes Están en los Datos: Etiología, Gravedad e Idioma
Todo gran corpus se inclina hacia quien fue más fácil de reclutar primero. El Speech Accessibility Project se diseñó para 2.000 personas, 400 por cada una de cinco etiologías (la causa médica de fondo de la diferencia en el habla): enfermedad de Parkinson, ELA, parálisis cerebral, síndrome de Down e ictus (ClinicalTrials.gov NCT05889260). Su primer paquete de datos contenía solo hablantes con Parkinson, y la publicación del desafío de abril de 2024, grabada principalmente en 2023, seguía dominada por ellos (Zheng et al., Interspeech 2025 Challenge). Nuestras estadísticas de tratamiento del habla y la voz en la enfermedad de Parkinson cubren el lado clínico de esa población.
El sesgo de Euphonia va en sentido contrario, hacia la ELA y hacia un habla más leve. En un subconjunto de investigación de 195 hablantes, la ELA representaba el 39,2% de los hablantes y una cuarta parte fue clasificada como grave. La mayoría de las grabaciones evaluadas en el primer paquete del Speech Accessibility Project se ubicaba en el extremo menos afectado de la escala de inteligibilidad, lo cual importa porque un conjunto de datos de habla mayormente leve favorece el promedio de un modelo.
| Métrica | Valor | Fuente |
|---|---|---|
| Diseño planificado del Speech Accessibility Project | 2.000 personas, 400 por etiología, 1,2 millones de muestras de habla (600 por persona) | ClinicalTrials.gov NCT05889260, registro del Speech Accessibility Project |
| Inscripción real en el registro (que enumera la enfermedad de Parkinson y afecciones parkinsonianas relacionadas) | 485 participantes; estudio concluido el 31 de julio de 2025 | ClinicalTrials.gov NCT05889260, registro del Speech Accessibility Project |
| Publicación del desafío SAP-240430, división de entrenamiento | 369 hablantes, 131.420 enunciados, 290,35 horas | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Divisiones de desarrollo y prueba de SAP-240430 | Dev 55 hablantes (43,56 horas); Test1 50 hablantes (42,16 horas); Test2 50 hablantes (38,77 horas) | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Reclutamiento del primer paquete de datos, personas registradas frente a aprobadas frente a grabadas | 746 frente a 283 frente a 253 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Primer paquete de datos, valoraciones de inteligibilidad en una escala de 1 a 7 (1 = menos afectado) | 76% de las grabaciones valoradas en 1; 1,5% de 5 a 7 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Subconjunto de 195 hablantes de Euphonia, por etiología | ELA 39,2%; parálisis cerebral 13,4%; enfermedad de Parkinson 10,8%; discapacidad auditiva 5,2%; ataxia 3,1% | Google (Tobin y Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Subconjunto de 195 hablantes de Euphonia, por gravedad | Típica 7,7%; leve 35,4%; moderada 31,8%; grave 25,1% | Google (Tobin y Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Contexto: la cobertura de idiomas es la dimensión más escasa. Todos los participantes del primer paquete del Speech Accessibility Project declararon el inglés estadounidense como lengua materna (Hasegawa-Johnson et al., JSLHR 2024), y la página de Euphonia de Google señala que el programa Speech Accessibility Project está disponible por ahora solo en inglés. La expansión de Euphonia a cuatro idiomas más había llegado a 132 hablantes en 2025: 76 en japonés, 38 en español, 14 en francés y 4 en hindi (Martin et al., Frontiers in Language Sciences 2025). Las personas con ELA enfrentan la misma brecha a medida que cambia su habla, algo que nuestras estadísticas del deterioro del habla bulbar en la ELA siguen a lo largo del tiempo.
4. La Brecha en la Tasa de Error de Palabras para el Habla Disártrica
Los reconocedores listos para usar están cerca de resolver la disartria leve y siguen fallando en el extremo grave. En una evaluación comparativa de 2026 de ocho sistemas sobre TORGO, entre ellos Whisper large-v3, Deepgram Nova-3, GPT-4o y Gemini 2.5 Pro, la disartria grave superó el 51% de WER en todos los sistemas, mientras que los mejores sistemas obtuvieron aproximadamente entre 1% y 2% en disartria leve (Alsayegh y Masood, IJIS 2026). Los grandes modelos de lenguaje multimodales no mostraron ventaja sobre los reconocedores convencionales con la configuración predeterminada.
La gravedad, y no la marca del modelo, es la variable que predice el fallo. La referencia del propio Google sube de 10,7 de WER en habla leve a 48,1 en habla grave en su conjunto de prueba de frases leídas (Tobin et al., Google Research 2024). En UA-Speech, Whisper-Turbo sin adaptación (zero-shot, es decir, usado sin ningún ajuste a los hablantes) produjo una tasa de error de caracteres superior al 100%, algo que ocurre cuando un modelo genera más caracteres erróneos, incluidas palabras inventadas, de los que contiene la referencia.
| Métrica | Valor | Fuente |
|---|---|---|
| TORGO, ocho sistemas de IA comerciales y multimodales, habla típica frente a disartria grave | Por debajo del 5% de WER frente a más del 51% de WER en todos los sistemas | Alsayegh y Masood, International Journal of Intelligent Systems 2026 |
| TORGO, disartria leve, mejores sistemas | Aproximadamente de 1% a 2% de WER | Alsayegh y Masood, International Journal of Intelligent Systems 2026 |
| Disartria grave, instrucción (prompt) predeterminada frente a instrucción de transcripción literal | GPT-4o 60,1% a 52,9%; GPT-4o Mini 66,0% a cerca de 55% | Alsayegh y Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, tasa de error de caracteres de Whisper-Turbo sin adaptación, hablantes de control frente a hablantes disártricos | 9,3% frente a 165,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Conjunto de prueba de frases leídas de Euphonia, WER del USM de referencia por gravedad | Leve 10,7; moderada 29,5; grave 48,1 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Conjunto de prueba de Parkinson (todas las frases), modelos entrenados solo con habla leída típica | LibriSpeech 100 horas: 45,15% de WER; LibriSpeech 960 horas: 38,76% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Hablantes cuyo WER de fábrica alcanzó una meta de 15% para domótica, todos los hablantes frente a hablantes graves | 35% frente a 10% | Google (Tobin y Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Valor atípico: la mejora de GPT-4o con una instrucción de transcripción literal muestra que parte de los errores de los modelos multimodales en habla grave proviene de reescribir lo dicho, y no solo de oírlo mal; los autores informan que los modelos Gemini no obtuvieron ninguna mejora consistente con las mismas instrucciones. La cifra de UA-Speech proviene de de Groot et al., quienes informan el resultado disártrico solo como agregado, y no por grupo de inteligibilidad, en la condición sin adaptación.
5. Mejoras con Modelos Personalizados y con Ajuste Fino
Pequeñas cantidades de los datos adecuados mueven las tasas de error más que cualquier cambio de arquitectura. Los modelos personalizados mejoraron el WER un 62% en términos relativos para hablantes con ELA, y el 71% de esa mejora provino de solo 5 minutos de datos de entrenamiento (Shor et al., Interspeech 2019). Esos modelos se entrenaron con 67 hablantes con ELA, unas 36 horas de audio (blog de Google Research, 2019).
El resultado más reciente es que un único modelo compartido puede absorber gran parte de ese beneficio. El USM de Google, con ajuste fino en 1.158 horas de habla con trastornos, cerró el 64% de la brecha entre la referencia y los modelos por hablante, y Microsoft informa mejoras de precisión de 18% a 60% en Azure AI Speech con datos del Speech Accessibility Project, según la discapacidad del hablante. El techo sigue siendo la gravedad: el WER de 31,3 del modelo con ajuste fino en habla grave es más de cuatro veces su cifra de 7,3 en habla leve en la misma tabla (31,3 dividido entre 7,3 es 4,3).
| Métrica | Valor | Fuente |
|---|---|---|
| Mejora relativa del WER con modelos personalizados, habla con ELA frente a habla con acento | 62% frente a 35% | Google (Shor et al.), Interspeech 2019 |
| WER de hablantes con ELA tras la personalización, frases del banco de mensajes, disartria leve frente a más grave | 10% frente a 20% | Google (Shor et al.), Interspeech 2019 |
| Hablantes que alcanzan una meta de 15% de WER para domótica con 50 enunciados (3 a 4 minutos) frente a 250 enunciados (18 a 20 minutos) | 63% frente a 79% | Google (Tobin y Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM con ajuste fino en habla con trastornos, WER antes frente a después, por gravedad | Leve 10,7 a 7,3; moderada 29,5 a 19,6; grave 48,1 a 31,3 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Ajuste fino del USM, mejora relativa en habla a partir de frases guía frente a habla conversacional espontánea | 33% frente a 26% | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Mejoras de Microsoft Azure AI Speech con datos del Speech Accessibility Project | 18% a 60%, según la discapacidad del hablante | Speech Accessibility Project, artículo sobre Microsoft Azure 2025 |
| Tasa de error de caracteres en la prueba del CDSD en mandarín, entrenado solo con CDSD frente a preentrenado con WenetSpeech y luego con ajuste fino | 24,9% frente a 16,4% | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, tasa de error de caracteres de Whisper-Turbo con ajuste fino por grupo de inteligibilidad | Muy baja 64,4%; baja 44,8%; media 40,1%; alta 30,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Contexto: los hablantes graves siguen siendo el grupo más difícil incluso con todos sus datos. En el estudio de personalización de Euphonia, el 69% de los hablantes graves alcanzó la meta de 15% para domótica con todas sus grabaciones, frente al 99% de los hablantes leves (Tobin y Tomanek, 2021). El líder del Speech Accessibility Project ha dicho que entrenar con parte del conjunto de datos redujo las tasas de error de las personas con Parkinson casi a la mitad (Speech Accessibility Project, anuncio de intercambio de datos 2024). Dato más reciente disponible sobre la personalización por hablante: Shor et al. (2019) y Tobin y Tomanek (2021).
6. Trampas de las Evaluaciones: Solapamiento de Frases, Artefactos de Grabación y Ruido en las Etiquetas
Los corpus pequeños con frases repetidas hacen que la precisión publicada parezca mejor que el uso real. TORGO contiene solo 957 textos únicos entre 16.394 entradas de texto, y el solapamiento de frases por hablante entre los ocho hablantes disártricos va de 95,7% a 100% (Hui et al., 2024). Cuando los autores rehicieron la división para que ninguna frase apareciera a la vez en el entrenamiento y en la prueba, el WER de un modelo wav2vec2 para un hablante leve subió de 3,17% a 45,21%. Un modelo puede aprender la lista de frases en lugar del hablante.
El mismo efecto aparece en el corpus más nuevo. En frases que los hablantes de entrenamiento también habían leído, el modelo con ajuste fino del Speech Accessibility Project obtuvo 5,18% de WER, y el artículo informa por separado las frases compartidas y las no compartidas por ese motivo. Las condiciones de grabación son una segunda trampa: Schu et al. (2022) encontraron que la mayoría de los clasificadores de disartria de última generación rindieron igual o mejor en los segmentos sin habla de UA-Speech y TORGO, lo que significa que podrían estar detectando la configuración de grabación y no el habla.
| Métrica | Valor | Fuente |
|---|---|---|
| Textos únicos de TORGO frente a total de entradas de texto | 957 frente a 16.394 | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Solapamiento de frases por hablante en TORGO, ocho hablantes disártricos | 95,7% a 100% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER de wav2vec2, hablante grave M04, división original frente a división sin solapamiento | 64,50% frente a 93,75% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER de wav2vec2, hablante leve M03, división original frente a división sin solapamiento | 3,17% frente a 45,21% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Frases de Parkinson compartidas con los hablantes de entrenamiento, modelo entrenado con LibriSpeech 960 horas frente a ajustado con datos del proyecto | 45,39% frente a 5,18% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Revisión de transcripciones de Euphonia, transcripciones estandarizadas por hablante frente a enunciados con cambios reales de palabras | 72% en promedio frente a menos de 5% | Google (Jiang et al.), Interspeech 2024 |
| Filtro automático de ausencia de habla de Euphonia, proporción de grabaciones marcadas que en realidad contenían habla (tasa de omisión falsa) | 47,7% | Google (Jiang et al.), Interspeech 2024 |
| USM con ajuste fino en habla con trastornos, WER en LibriSpeech Clean con habla típica | 2,4, sin cambios con los pesos de datos probados | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Contexto: el ruido en las etiquetas de Euphonia fue sobre todo cosmético, ya que cerca del 95% de las correcciones fueron de puntuación, mayúsculas u otra normalización; el riesgo mayor era que el filtro automático descartara habla válida pero baja o lenta, lo que elimina justo a los hablantes que más necesita un conjunto de datos. El resultado del USM responde a una preocupación común: añadir habla con trastornos no degradó la precisión en habla típica con los pesos que probaron los autores.
7. Contexto de Prevalencia: la Población a la que Sirven Estos Conjuntos de Datos
Los corpus anteriores abarcan unos pocos miles de hablantes; la población con diferencias del habla suma millones. En 2012, el 7,7% de los niños estadounidenses de 3 a 17 años tuvo un trastorno de la comunicación o de la deglución en los 12 meses anteriores, y los problemas del habla eran el tipo más común, con 5,0% (NCHS Data Brief No. 205). Solo el 55,2% de esos niños recibió un servicio de intervención en el mismo año.
Entre los adultos, la disartria es una característica frecuente de enfermedades neurológicas comunes y no un trastorno raro. La revisión de la ASHA la sitúa en el 44% a 88% de las personas con enfermedad de Parkinson y en el 22% a 58% de las personas con ictus agudo (ASHA Practice Portal, Dysarthria in Adults), y son esos rangos, y no la composición de una muestra por conveniencia, los que un conjunto de datos representativo tendría que reflejar. Los trastornos de la fluidez, como la tartamudez, añaden otra población, perfilada en nuestras estadísticas demográficas de la tartamudez.
| Métrica | Valor | Fuente |
|---|---|---|
| Niños estadounidenses de 3 a 17 años con trastorno de la comunicación o de la deglución en los 12 meses anteriores; problemas del habla | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, datos de la NHIS de 2012) |
| Prevalencia por edad, de 3 a 6 años frente a de 11 a 17 años | 11,0% frente a 4,9% | NCHS Data Brief No. 205 (2015, datos de la NHIS de 2012) |
| Niños con un trastorno que recibieron servicios de intervención en los 12 meses anteriores | 55,2% | NCHS Data Brief No. 205 (2015, datos de la NHIS de 2012) |
| Adultos estadounidenses que informaron un problema de voz en los 12 meses anteriores | 7,6% (unos 17,9 millones) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Estadounidenses que tartamudean; estadounidenses que viven con afasia | Más de 3 millones (cerca del 1%); unos 2 millones, con casi 180.000 casos nuevos al año | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Tasas de disartria, enfermedad de Parkinson; esclerosis múltiple; ictus agudo; traumatismo craneoencefálico agudo a subagudo | 44% a 88%; 40% a 51%; 22% a 58%; cerca de 30% a 86% | ASHA Practice Portal, Dysarthria in Adults |
| Tasas de disartria, enfermedad de Huntington; enfermedad neuromuscular como la ELA | 78% a 93%; 26% a 62% | ASHA Practice Portal, Dysarthria in Adults |
| Adultos estadounidenses con dificultades de audición, habla o lenguaje que informaron haber encontrado estigma | 65% de 1.004 encuestados | ASHA-YouGov National Poll 2024 |
Dato más reciente disponible: las cifras de prevalencia infantil provienen de la National Health Interview Survey de 2012, publicada en 2015, y el propio resumen del NIDCD (NIDCD Quick Statistics) cita la misma encuesta. La cifra de estigma proviene de una encuesta en línea realizada del 21 al 26 de febrero de 2024 (ASHA-YouGov, 2024).
Resumen: Conjuntos de Datos de IA para Habla Atípica y Disártrica en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Participantes que habían enviado grabaciones al Speech Accessibility Project, finales de septiembre de 2025 | Unos 2.000 | Speech Accessibility Project, página de inicio 2026 |
| Paquete de datos del Speech Accessibility Project, descripción del catálogo | Unas 1.090 horas de unos 1.130 participantes | Catálogo YorVoice de la University of York, registro del Speech Accessibility Project |
| Corpus del Project Euphonia, febrero de 2025 | Más de 1,5 millones de enunciados de unos 3.000 hablantes | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Grabaciones de Euphonia con transcripciones revisadas por humanos | 352.130 (29%) | Google (Jiang et al.), Interspeech 2024 |
| Hablantes y audio de TORGO | 8 disártricos y 7 hablantes de control; unas 23 horas | Linguistic Data Consortium, LDC2012S02 (2012) |
| Hablantes de UA-Speech con parálisis cerebral, originales frente a actualmente distribuidos | 19 frente a 16 | Kim et al., Interspeech 2008; University of Illinois |
| Diseño planificado del Speech Accessibility Project | 2.000 personas, 400 por etiología | ClinicalTrials.gov NCT05889260 |
| División de entrenamiento de SAP-240430 | 369 hablantes, 290,35 horas | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Subconjunto de 195 hablantes de Euphonia, proporción de ELA frente a la de Parkinson | 39,2% frente a 10,8% | Google (Tobin y Tomanek) 2021 |
| Hablantes no ingleses de Euphonia, 2025 | 132 (japonés 76, español 38, francés 14, hindi 4) | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| TORGO, habla típica frente a disartria grave, ocho sistemas de IA | Por debajo del 5% frente a más del 51% de WER | Alsayegh y Masood, IJIS 2026 |
| UA-Speech, tasa de error de caracteres de Whisper-Turbo sin adaptación, control frente a disártricos | 9,3% frente a 165,2% | de Groot et al. (TU Delft) 2025 |
| WER del USM en habla con trastorno grave, antes frente a después del ajuste fino | 48,1 frente a 31,3 | Google (Tobin et al.) 2024 |
| Modelos personalizados, mejora relativa del WER en habla con ELA | 62%, con el 71% de la mejora proveniente de 5 minutos de datos | Google (Shor et al.), Interspeech 2019 |
| Frases de Parkinson compartidas con los hablantes de entrenamiento, modelo de LibriSpeech de 960 horas frente a modelo ajustado con datos del proyecto | 45,39% frente a 5,18% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Textos únicos de TORGO frente a entradas de texto | 957 frente a 16.394 | Hui et al., arXiv 2024 |
| Niños estadounidenses de 3 a 17 años con trastorno de la comunicación o de la deglución (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Disartria entre personas con enfermedad de Parkinson | 44% a 88% | ASHA Practice Portal, Dysarthria in Adults |
Metodología y Fuentes
Realizamos 17 búsquedas y leímos la página primaria del conjunto de datos, el registro, el artículo de revista o el preprint detrás de cada cifra. Las tasas de error se informan con la notación de cada fuente: WER para la tasa de error de palabras y tasa de error de caracteres (CER) cuando la fuente la usa (el ajuste fino en UA-Speech y el corpus de mandarín), con o sin signo de porcentaje, tal como lo imprime la fuente. Las cifras con más de tres años se señalan en sus secciones como dato más reciente disponible.
- Página de inicio del 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
- Catálogo YorVoice de la University of York, registro del 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, página de publicaciones y acceso a datos del 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 y Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek y 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 y la entrada del blog de Google Research sobre la personalización de Euphonia, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim et al., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 y la página de distribución de 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 y 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 y Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi y Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, corpus LibriSpeech ASR
- Black, Vahratian y 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
- Nota sobre los datos: el tamaño del Speech Accessibility Project se describe de tres maneras. Su página de investigación indica 1.500 horas de unos 999 participantes, el registro del catálogo de la University of York indica unas 1.090 horas de unos 1.130 participantes, y la página de inicio cuenta unas 2.000 personas que habían enviado grabaciones hasta septiembre de 2025 (las grabaciones enviadas no son lo mismo que datos publicados y transcritos); informamos las tres en lugar de elegir una. El registro de ClinicalTrials.gov enumera solo la enfermedad de Parkinson y afecciones parkinsonianas relacionadas, por lo que su inscripción real de 485 no debe leerse como el total del proyecto. El artículo del JSLHR indica el conjunto de entrenamiento del primer paquete como 190 hablantes en su sección de Métodos y 191 en la de Resultados. El resumen del artículo de TORGO en revista describe siete personas con alteraciones del habla, mientras que la publicación del LDC enumera ocho hablantes disártricos; usamos la cifra del LDC. El resumen del artículo del USM describe unas 1.000 horas de habla con trastornos y menos del 1% de los datos de entrenamiento, mientras que su tabla de entrenamiento enumera 1.158 horas. El artículo del CDSD describe la Parte B como 8 hablantes en una sección y 7 en otra, después de que un hablante fuera retirado por errores de anotación. En Tobin y Tomanek, el texto dice que el 90% de los hablantes leves alcanza la meta con 50 enunciados, mientras que la tabla muestra 93%. La cifra de 18% a 60% de Microsoft se describe como mejoras de precisión sin métrica ni conjunto de prueba indicados. Las dos cifras del corpus de Euphonia (2024 y 2025) reflejan crecimiento, no un conflicto. Prevalencia infantil: el NIDCD informa 7,2% solo para trastornos de voz, habla o lenguaje, frente al 7,7% del NCHS, que también incluye la deglución.
Última actualización: 24 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando el Speech Accessibility Project publique su próximo paquete de datos y la publicación de la división de entrenamiento y prueba.