Usado sin ajuste, Whisper produjo una tasa de error de palabras del 84,6% en niños de preescolar que leían indicaciones con guion, frente al 17,5% en alumnos de cuarto grado en la misma prueba (Singh, Sahidullah y Kinnunen, Causal Analysis of ASR Errors for Children, 2025). La tasa de error de palabras (WER) es la proporción de palabras que un sistema sustituye, omite o inserta en comparación con una transcripción humana, por lo que incluso puede superar el 100%. La misma familia de modelos obtuvo un 25,00% de WER en niños estadounidenses que conversaban con un tutor de ciencias y un 5,40% en habla leída de adultos (Jain et al., Interspeech 2023), y la brecha sigue a los datos de entrenamiento: el mayor corpus público de habla infantil en inglés reúne unas 470 horas (Linguistic Data Consortium, LDC2021S05), mientras que Whisper-largeV3 se entrenó con 1 millón de horas (Fan et al., Interspeech 2024). La edad es solo un eje del problema; las brechas de acento y dialecto y las tasas de alucinación siguen una lógica similar de cobertura de datos. Reunimos datos de artículos de Interspeech, ICASSP y WOCCI, del Journal of the Acoustical Society of America, del Linguistic Data Consortium, de Frontiers in Education y de la Federal Trade Commission de EE. UU.
TL;DR
- WER de Whisper sin ajuste en la prueba de habla con guion de CSLU Kids: 84,6% en preescolar frente a 17,5% en 4.º grado (Singh et al., 2025).
- Whisper Large-V2 sin ajuste: 25,00% de WER en habla infantil de MyST frente a 5,40% en habla adulta de LibriTTS (Jain et al., Interspeech 2023).
- Whisper large sin ajuste: 43,9% de WER para 4 a 7 años frente a 13,4% para 8 a 10 años (Ying et al., WOCCI 2025).
- La tasa de disfluencia de los niños fue del 10,1% frente al 6,2% en conversaciones de adultos de Switchboard (Tran et al., Interspeech 2020).
- Whisper-largeV3 se entrenó con 1 millón de horas frente a 133 horas de datos de entrenamiento infantiles filtrados de MyST (Fan et al., Interspeech 2024).
- Solo alrededor del 45% de los 227.567 enunciados de MyST están transcritos (Linguistic Data Consortium, LDC2021S05).
- El ajuste fino con 10 horas de habla infantil redujo el WER de Whisper Large-V2 en PF-STAR del 73,68% al 2,88% (Jain et al., Interspeech 2023).
- La corrección generativa de errores redujo el WER infantil del 30,5% al 21,8%, una caída relativa del 28,5% (Balaji Shankar et al., CHSER, Interspeech 2025).
- Un sistema de cribado de lectura coincidió con evaluadores humanos con un kappa de 0,16 en fusión de fonemas frente a 0,72 en vocabulario (Petscher et al., Frontiers in Education 2026).
- La regla COPPA modificada incluye las huellas de voz como información personal y exige eliminar el audio justo después de su uso (FTC, COPPA Final Rule 2025).
1. La Brecha entre Niños y Adultos sin Ajuste
La cifra principal de cualquier producto de habla infantil es el resultado sin ajuste, es decir, el desempeño de un modelo usado tal como se entrega, sin entrenamiento adicional con grabaciones de niños. Whisper Large-V2 obtuvo un 25,00% de WER en habla infantil de MyST y un 73,68% en niños británicos del corpus PF-STAR, frente al 5,40% en habla leída de adultos, aproximadamente 4,6 y 13,6 veces la tasa adulta (25,00 / 5,40 y 73,68 / 5,40) en la misma evaluación (Jain et al., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Dato más reciente disponible para esta comparación: 2023.
Los modelos más nuevos reducen la brecha, pero no la cierran. En un benchmark de 2024, los modelos Canary y Parakeet de NVIDIA superaron a todos los tamaños de Whisper en habla infantil pese a tener conjuntos de entrenamiento mucho más pequeños, lo que llevó a los autores a concluir que la calidad de los datos a veces importa más que su volumen (Fan, Balaji Shankar y Alwan, Interspeech 2024). La proporción lleva dos décadas siendo tozuda: un estudio del IEEE de 2003 ya informaba tasas de error infantiles de dos a cinco veces la tasa adulta.
| Métrica | Valor | Fuente |
|---|---|---|
| WER de Whisper Large-V2 sin entrenamiento infantil: niños de MyST frente a habla leída de adultos de LibriTTS | 25,00% frente a 5,40% | Jain et al., Interspeech 2023 |
| WER de Whisper Large-V2 sin entrenamiento infantil: niños británicos de PF-STAR; habla leída de CMU Kids | 73,68%; 12,69% | Jain et al., Interspeech 2023 |
| WER de Whisper-largeV3 sin ajuste: prueba de MyST frente a prueba de OGI Kids | 12,6% frente a 19,9% | Fan et al., Interspeech 2024 |
| WER sin ajuste de Canary (1B) frente a Parakeet-RNNT (1,1B) en la prueba de MyST; en la prueba de OGI | 9,5% frente a 11,1%; 18,2% frente a 16,7% | Fan et al., Interspeech 2024 |
| WER de Whisper Medium.en sin ajuste: habla espontánea de CSLU Kids frente a test-clean de adultos de LibriSpeech | 31,85% frente a 3,02% | Attia et al., Kid-Whisper, AAAI/ACM AIES 2024 |
| Tasa de error de reconocedores entrenados con adultos en niños frente a adultos | de dos a cinco veces peor | Potamianos y Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Nota de contexto: las dos cifras de Whisper en MyST (25,00% y 12,6%) no son una contradicción en la calidad del modelo. El benchmark de 2024 eliminó los enunciados con un WER superior al 50% o con menos de 3 palabras antes de puntuar, lo que por sí solo mueve los resultados varios puntos (véase la sección 5).
2. Tasas de Error por Franja de Edad
“Niños” no es una población única. En la prueba de habla con guion de CSLU Kids, Whisper sin ajuste pasó de un 84,6% de WER en preescolar a un 37,5% en 1.er grado y un 17,5% en 4.º grado, una diferencia de 4,8 veces (84,6 / 17,5) dentro de un mismo conjunto de prueba (Singh, Sahidullah y Kinnunen, Causal Analysis of ASR Errors for Children, 2025). La mayor parte de la mejora llega hacia 4.º grado; después la curva deja de bajar, y el WER de Whisper de 6.º a 10.º grado queda por encima de su mínimo de 4.º grado.
Un benchmark de ESPnet de 2025 encontró el mismo precipicio con otros modelos. Whisper large sin ajuste obtuvo un 43,9% para 4 a 7 años y luego subió del 13,4% a los 8 a 10 años al 18,6% a los 11 a 15 años, mientras que un modelo abierto ajustado con habla infantil se mantuvo por debajo del 10% en todas las franjas (Ying et al., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). La misma penalización por edad aparece en la verificación de locutor (comprobar si dos grabaciones proceden de la misma persona), algo relevante para cualquier inicio de sesión por voz en cuentas infantiles.
| Métrica | Valor | Fuente |
|---|---|---|
| WER de Whisper sin ajuste en la prueba de habla con guion de CSLU Kids: preescolar frente a 4.º grado | 84,6% frente a 17,5% | Singh et al., 2025 |
| Misma prueba: 1.er grado; 2.º grado; 3.er grado | 37,5%; 28,0%; 23,1% | Singh et al., 2025 |
| Misma prueba: 10.º grado | 22,4% | Singh et al., 2025 |
| WER de Whisper large sin ajuste por edad: 4 a 7; 8 a 10; 11 a 15 | 43,9%; 13,4%; 18,6% | Ying et al., WOCCI 2025 |
| OWSM v3.1 ajustado con habla infantil, WER por edad: 4 a 7; 8 a 10; 11 a 15 | 9,0%; 7,3%; 1,8% | Ying et al., WOCCI 2025 |
| Tasa de error igual en la verificación de locutor (proporción de decisiones erróneas de aceptar/rechazar en el punto de equilibrio), 4 a 7 años frente a 11 a 15 años | 13,2% frente a 3,73% | Ying et al., WOCCI 2025 |
| Enunciados de niños con una edad media de 4,9 transcritos de forma totalmente correcta: Whisper large-v3 frente a ASR en la nube de Google (2024) | 36,8% frente a 9,6% | Janssens et al., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Nota sobre valores atípicos: el modelo MMS obtuvo un 193,3% de WER en 6.º grado en la prueba de Singh et al., porque insertó muchas más palabras de las pronunciadas. Un WER superior al 100% indica inserciones descontroladas, no una errata.
3. Por qué el Habla Infantil Rompe los Modelos Entrenados con Adultos: Acústica y Disfluencia
Dominan dos mecanismos. Primero, la propia voz es un blanco móvil. Un estudio con 436 niños de 5 a 17 años y 56 adultos halló que la duración de los segmentos converge a niveles adultos solo hacia los 12 años, y que la variabilidad de la frecuencia fundamental y de los formantes (las resonancias que identifican las vocales) tarda unos 2 a 3 años más (Lee, Potamianos y Narayanan, JASA 1999). Un modelo ajustado a resonancias adultas está, en la práctica, escuchando un instrumento distinto. Dato más reciente disponible: Lee, Potamianos y Narayanan, 1999.
Segundo, los niños hablan de otra manera. Sus explicaciones espontáneas mostraron tasas de disfluencia y de muletillas superiores a las de las conversaciones adultas, con muchos más ‘um’ y más palabras cortadas a medias (Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Un modelo causal de 2025 situó la edad y el número de palabras de un enunciado a la cabeza de los factores de error, por delante del ruido de fondo y de la capacidad de pronunciación. El habla que se aparta de la norma adulta por razones clínicas afronta la misma trampa, como muestra nuestro resumen de datos sobre habla disártrica y atípica.
| Métrica | Valor | Fuente |
|---|---|---|
| Hablantes en el estudio de acústica del desarrollo | 436 niños de 5 a 17 años; 56 adultos | Lee, Potamianos y Narayanan, JASA 1999 |
| Edad a la que la duración de los segmentos alcanza niveles adultos | hacia los 12 | Lee, Potamianos y Narayanan, JASA 1999 |
| Tiempo adicional para que la variabilidad intralocutor de la frecuencia fundamental y de los formantes llegue al rango adulto | unos 2 a 3 años | Lee, Potamianos y Narayanan, JASA 1999 |
| Edad a la que los patrones de frecuencia fundamental y formantes de niños y niñas empiezan a separarse; totalmente establecidos | unos 11; unos 15 | Lee, Potamianos y Narayanan, JASA 1999 |
| Tasa de disfluencia: niños frente a conversaciones adultas de Switchboard frente a conversaciones adultas de CallHome | 10,1% frente a 6,2% frente a 6,3% | Tran et al., Interspeech 2020 |
| Tasa de la muletilla ‘um’: niños frente a adultos de Switchboard | 2,3% frente a 0,5% | Tran et al., Interspeech 2020 |
| Tasa de fragmentos de palabras (palabras cortadas a medias): niños frente a adultos de Switchboard | 1,8% frente a 0,5% | Tran et al., Interspeech 2020 |
Nota de contexto: el corpus de disfluencia es pequeño (26 niños, unas 1,26 horas de habla infantil), y el artículo indica la edad de los niños como 4,8 a 7 en un lugar y 5 a 8 en otro. Dato más reciente disponible: 2020.
4. Escasez de Datos: Horas de Habla Infantil frente a los Conjuntos de Entrenamiento de Modelos Fundacionales
El desajuste de tamaño abarca varios órdenes de magnitud. Whisper-largeV3 se entrenó con 1 millón de horas de audio, mientras que un benchmark de 2024 contaba con 133 horas de habla infantil filtrada de MyST para el ajuste fino, de modo que el conjunto infantil equivale a cerca del 0,0133% de ese volumen de preentrenamiento (133 / 1.000.000) (Fan et al., Interspeech 2024). Incluso el más ligero Parakeet vio 64.000 horas, unas 480 veces la partición de entrenamiento de MyST (64.000 / 133).
El propio MyST solo es grande para los estándares del habla infantil. El catálogo del Linguistic Data Consortium lista unas 470 horas de 1.371 estudiantes de 3.º a 5.º grado, recogidas entre 2008 y 2017, con 102.433 de 227.567 enunciados transcritos (LDC2021S05, MyST Children’s Conversational Speech). Sus creadores describen el corpus como de unas 400 horas y señalan lo difícil que es obtener habla infantil a gran escala (Pradhan, Cole y Ward, LREC-COLING 2024). Los niños más pequeños y otros idiomas cuentan con mucho menos: un corpus de mandarín de 2025 para niños de 3 a 5 años reúne 41,25 horas (Zhou et al., ChildMandarin 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Datos de preentrenamiento: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 horas | Fan et al., Interspeech 2024 |
| Corpus MyST según el catálogo | unas 470 horas; 1.371 estudiantes de 3.º a 5.º grado; 10.496 sesiones de tutoría | Linguistic Data Consortium, LDC2021S05 (2021) |
| Enunciados de MyST con transcripción | 102.433 de 227.567 (alrededor del 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Corpus ChildMandarin, niños de 3 a 5 años | 41,25 horas; 397 hablantes | Zhou et al., ChildMandarin 2025 |
| Corpus de niños en inglés británico PF-STAR, según una revisión de corpus de 2025 | 14,5 horas; 158 hablantes de 4 a 14 años | Zhou et al., ChildMandarin 2025 |
| CMU Kids; habla con guion de OGI Kids | 9 horas, 76 hablantes; 70 horas, 1.118 hablantes | Ying et al., WOCCI 2025 |
| Datos de entrenamiento infantiles frente a adultos en un estudio de aprendizaje por transferencia de 2018 | 91,61 horas (6 a 14 años) frente a 205,82 horas (adultos de TED-LIUM) | Shivakumar y Georgiou, arXiv 2018 |
Nota de contexto: el recuento de horas de MyST difiere según la fuente (unas 470 en el catálogo del LDC, 393 o unas 400 en el artículo del corpus, unas 240 horas transcritas en el benchmark de 2024). Informamos cada cifra con su propia fuente.
5. Mejoras del Ajuste Fino y la Adaptación
Ajuste fino significa seguir entrenando un modelo con grabaciones de niños. Es la solución más fiable, y las mejoras son mayores donde el modelo sin ajuste era peor. Whisper Large-V2 bajó del 73,68% al 2,88% de WER en niños británicos de PF-STAR tras un ajuste fino con apenas 10 horas de habla de PF-STAR (Jain et al., Interspeech 2023). En el habla conversacional de MyST, Whisper-small pasó del 13,4% al 9,3%, una reducción relativa del 30,6% ((13,4 - 9,3) / 13,4), y un pequeño módulo adaptador que actualiza 1,29 millones de parámetros igualó el ajuste fino completo de 242 millones.
Las técnicas más recientes persiguen los últimos puntos. Fusionar solo los pesos de atención de modelos afines estableció un récord en MyST del 8,69% de WER para Whisper-small (Balaji Shankar et al., Selective Attention Merging, ICASSP 2025), y un modelo de corrección de texto entrenado con 200K pares de salida del ASR y transcripción humana redujo los errores en cuatro corpus infantiles. La forma de depurar un conjunto de prueba importa tanto como el método: descartar archivos con un WER superior al 50% o con menos de 3 palabras llevó el WER de prueba de Whisper-Large-v1 en MyST del 26,2% al 14,2%, sin ningún cambio en el modelo (Attia et al., Kid-Whisper, AIES 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| WER de Whisper Large-V2 en PF-STAR: antes frente a después del ajuste fino con 10 horas de habla infantil | 73,68% frente a 2,88% | Jain et al., Interspeech 2023 |
| WER de Whisper-small, sin ajuste frente a ajustado: prueba de MyST; prueba de OGI Kids | 13,4% frente a 9,3%; 25,4% frente a 1,8% | Fan et al., Interspeech 2024 |
| Parámetros entrenados, ajuste por adaptadores frente a ajuste fino completo (ambos con 9,3% de WER en MyST) | 1,29 millones frente a 242 millones | Fan et al., Interspeech 2024 |
| WER de Whisper Medium.en en el habla espontánea de CSLU Kids: sin ajuste frente a ajustado con MyST más CSLU | 31,85% frente a 16,53% | Attia et al., Kid-Whisper, AIES 2024 |
| Whisper-small con fusión Selective Attention más aumento de datos, WER en MyST | 8,69% (reducción relativa de hasta el 14%) | Balaji Shankar et al., ICASSP 2025 |
| Corrección generativa de errores, WER en cuatro corpus infantiles: antes frente a después | 30,5% frente a 21,8% (28,5% relativo) | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Ajuste fino mixto con habla infantil y adulta frente al modelo preentrenado | WER hasta 5% absoluto (21% relativo) menor | Graave et al., Interspeech 2024 |
| Tasa de error de caracteres de Whisper-small en habla de mandarín de niños de 3 a 5 años: sin ajuste frente a ajustado | 37,99% frente a 17,45% | Zhou et al., ChildMandarin 2025 |
Nota sobre valores atípicos: las mejoras no se transfieren limpiamente entre acentos, edades y estilos de habla. En el mismo estudio de 2023, Whisper Medium obtuvo un 19,76% en niños de PF-STAR tras un ajuste fino con habla estadounidense de MyST, frente a un 3,15% tras ajustarlo con el propio PF-STAR.
6. Evaluación de la Lectura en el Aula: Donde las Tasas de Error se Encuentran con las Decisiones
En educación, el WER no es la métrica final. Un tutor de lectura tiene que decidir si el niño leyó correctamente cada palabra, de modo que una transcripción puede registrar un WER respetable y aun así pasar por alto los errores que un docente necesita ver. En pruebas neerlandesas de lectura oral con 71 niños de 7 a 11 años, Whisper large-v2 sin ajuste fino alcanzó un coeficiente de correlación de Matthews (MCC, un índice de concordancia en el que 0 significa azar y 1 significa perfección) de 0,01 al detectar errores de lectura, frente a 0,63 de un sistema Kaldi a medida (Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Dato más reciente disponible: 2023.
Un estudio estadounidense de 2026 sobre un sistema comercial de verificación del habla halló el mismo patrón según la tarea (Petscher et al., Frontiers in Education 2026). La concordancia con evaluadores humanos, medida con el kappa de Cohen (concordancia más allá del azar, de 0 a 1), fue más alta en vocabulario expresivo y más baja en fusión de fonemas, la más compleja desde el punto de vista fonológico de las tres tareas. El ajuste también difirió según el grupo de estudiantes en la lectura de palabras, un hallazgo relevante para cualquier distrito que use cribado automatizado para decidir qué niños necesitan apoyo en fonética.
| Métrica | Valor | Fuente |
|---|---|---|
| Niños en el estudio neerlandés de lectura oral; rango de edad | 71; 7 a 11 | Molenaar et al., Interspeech 2023 |
| Concordancia con los juicios humanos de errores de lectura (MCC): sistema Kaldi-PM frente a Whisper large-v2 | 0,63 frente a 0,01 | Molenaar et al., Interspeech 2023 |
| WER en la lectura de los niños respecto a transcripciones manuales: sistema Kaldi-PM frente a Whisper large-v2 | 5,2% frente a 13,4% | Molenaar et al., Interspeech 2023 |
| Niños de preescolar en el estudio estadounidense de verificación del habla | 429 de 20 escuelas en tres estados | Petscher et al., Frontiers in Education 2026 |
| Kappa entre el sistema y evaluadores humanos en el umbral de 50: fusión de fonemas; vocabulario expresivo; lectura de palabras | 0,16; 0,72; 0,51 | Petscher et al., Frontiers in Education 2026 |
| Proporción de respuestas clasificadas igual que los evaluadores humanos en el umbral de 50, las mismas tres tareas | 0,52; 0,87; 0,80 | Petscher et al., Frontiers in Education 2026 |
| Kappa en lectura de palabras en el umbral de 80: estudiantes negros frente a estudiantes blancos | 0,25 frente a 0,47 | Petscher et al., Frontiers in Education 2026 |
Nota de contexto: Kaldi-PM no es un atajo desplegable, porque su lista de vocabulario combina las indicaciones de lectura con palabras de las transcripciones manuales de los datos de prueba. Considérelo una medida de lo que puede hacer un sistema estrechamente restringido y lea el 5,2% teniendo en cuenta esa configuración.
7. Normas de Privacidad que Limitan la Recopilación de Habla Infantil
La brecha de datos de la sección 4 es en parte consecuencia de las políticas. La regla COPPA modificada, publicada el 22 de abril de 2025, añadió los identificadores biométricos a la definición de información personal de los niños y nombra expresamente las huellas de voz (FTC, COPPA Final Rule Amendments 2025). Su excepción de consentimiento parental para audio cubre un archivo que contiene la voz de un niño y ninguna otra información personal, usado solo para atender la solicitud del niño y eliminado de inmediato, lo que no deja margen bajo esa excepción para conservar el archivo como datos de entrenamiento.
La aplicación de la norma respalda el texto. En 2023, la FTC y el Departamento de Justicia acusaron a Amazon de conservar indefinidamente las grabaciones de Alexa de niños; la orden propuesta incluía una sanción civil de 25 millones de dólares y prohibía usar los datos de voz afectados para crear o mejorar productos de datos (comunicado de prensa de la FTC, 31 de mayo de 2023). Los investigadores responden llevando el reconocimiento al propio dispositivo: un modelo Whisper tiny.en ajustado funcionó en una Raspberry Pi con un 15,9% de WER en MyST, citando las normas de privacidad como motivación (Dutta, Chandupatla y Hansen, WOCCI 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Edad cubierta por la COPPA | niños menores de 13 años | Comunicado de prensa de la FTC, 2023 |
| Regla COPPA modificada: votación de la Comisión; comentarios públicos revisados | 5-0; casi 300 | Comunicado de prensa de la FTC, 16 de enero de 2025 |
| Regla modificada: publicación en el Federal Register; plazo completo de cumplimiento | 22 de abril de 2025; un año desde la publicación | FTC, COPPA Final Rule Amendments 2025 |
| Identificadores biométricos nombrados como información personal | huellas de voz, junto con huellas dactilares, plantillas faciales y patrones de la marcha | FTC, COPPA Final Rule 2025 |
| Caso Amazon Alexa: sanción civil; niños que usan Alexa mediante su propio perfil | 25 millones de dólares; más de 800.000 | FTC, comunicado de prensa y blog empresarial sobre Amazon Alexa, 31 de mayo de 2023 |
| Whisper tiny.en en el propio dispositivo, en una Raspberry Pi: WER en MyST; con filtrado de datos; factor de tiempo real (tiempo de procesamiento dividido por la duración del audio) | 15,9%; 11,8%; 0,23 a 0,41 | Dutta et al., WOCCI 2025 |
Nota de contexto: la política de aplicación de la FTC de 2017 sobre grabaciones de voz estableció la misma lógica de conservación breve, al permitir el audio recogido solo como sustituto de palabras escritas y eliminado con prontitud (declaración de política de la FTC, 2017). Dato más reciente disponible sobre el caso de Amazon: 2023.
Resumen: La Tasa de Error de Palabras en el Reconocimiento del Habla Infantil en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| WER de Whisper sin ajuste en la prueba de habla con guion de CSLU Kids: preescolar frente a 4.º grado | 84,6% frente a 17,5% | Singh et al., 2025 |
| WER de Whisper Large-V2 sin entrenamiento infantil: niños de MyST frente a habla leída de adultos | 25,00% frente a 5,40% | Jain et al., Interspeech 2023 |
| WER de Whisper large sin ajuste: 4 a 7 años frente a 8 a 10 años | 43,9% frente a 13,4% | Ying et al., WOCCI 2025 |
| Tasa de error en la verificación de locutor: 4 a 7 años frente a 11 a 15 años | 13,2% frente a 3,73% | Ying et al., WOCCI 2025 |
| Niños con edad media de 4,9: transcripciones totalmente correctas, Whisper large-v3 frente a Google | 36,8% frente a 9,6% | Janssens et al., Technological Advances in Human-Robot Interaction 2024 |
| Reconocedores entrenados con adultos en niños frente a adultos | de dos a cinco veces peor | Potamianos y Narayanan, IEEE TSAP 2003 |
| Edad a la que la duración de los segmentos de los niños alcanza niveles adultos | hacia los 12 | Lee, Potamianos y Narayanan, JASA 1999 |
| Tasa de disfluencia: niños frente a adultos de Switchboard | 10,1% frente a 6,2% | Tran et al., Interspeech 2020 |
| Datos de preentrenamiento, Whisper-largeV3 frente al conjunto de entrenamiento infantil filtrado de MyST | 1.000.000 frente a 133 horas | Fan et al., Interspeech 2024 |
| Tamaño del corpus MyST | unas 470 horas; 1.371 estudiantes | Linguistic Data Consortium, LDC2021S05 |
| Corpus infantil de mandarín, 3 a 5 años | 41,25 horas; 397 hablantes | Zhou et al., ChildMandarin 2025 |
| Whisper Large-V2 en PF-STAR: antes frente a después de 10 horas de ajuste fino | 73,68% frente a 2,88% | Jain et al., Interspeech 2023 |
| Mejor WER informado de Whisper-small en MyST (fusión de atención más aumento de datos) | 8,69% | Balaji Shankar et al., ICASSP 2025 |
| Corrección generativa de errores en cuatro corpus infantiles | WER del 30,5% al 21,8% | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Concordancia en la detección de errores de lectura (MCC): sistema Kaldi-PM frente a Whisper large-v2 | 0,63 frente a 0,01 | Molenaar et al., Interspeech 2023 |
| Kappa de cribado en preescolar: fusión de fonemas frente a vocabulario expresivo | 0,16 frente a 0,72 | Petscher et al., Frontiers in Education 2026 |
| Caso de los datos de voz de niños de Amazon Alexa, sanción civil | 25 millones de dólares | FTC, 2023 |
Metodología y Fuentes
Realizamos 21 búsquedas en la web y leímos el artículo primario, la entrada de catálogo, el artículo de revista o el texto regulatorio detrás de cada cifra anterior. Los valores de WER se informan exactamente como los imprime cada artículo; los conjuntos de prueba, la normalización del texto y el filtrado difieren entre estudios, así que conviene comparar cifras dentro de una fila o de un mismo estudio y no entre estudios. Las cifras con más de tres años de antigüedad se señalan en sus secciones como dato más reciente disponible.
- Singh, Sahidullah and Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (enviado a 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 de enero de 2025 y 16 CFR Part 312: COPPA Final Rule Amendments
- FTC y DOJ, comunicado de prensa sobre Amazon Alexa, 31 de mayo de 2023 y blog empresarial de la FTC sobre el caso Alexa
- Nota sobre los datos: (1) los resultados de Whisper sin ajuste en MyST van de cerca del 12,5% al 25% según si el conjunto de prueba se filtró o no, por lo que los benchmarks de 2023 y 2024 no son directamente comparables. (2) El tamaño de MyST se informa como unas 470 horas (LDC), 393 o unas 400 horas (artículo del corpus) y unas 240 horas transcritas (benchmark de 2024). (3) Los resultados por grado de Singh et al. son un preprint, y el artículo describe MyST como de 3.º a 5.º grado en un lugar y de 5.º a 8.º grado en otro. (4) El benchmark de ESPnet atribuye su mejor WER medio a Whisper-small en una sección y a Whisper medium en otra. (5) La reducción del 13,3% del resumen de CHSER para sistemas ya ajustados se aplica solo a Whisper Tiny; el texto da un rango del 9% al 13,3%. (6) El artículo de Molenaar et al. imprime el MCC de Kaldi-PM como 0,62 en el texto de resultados y 0,63 en otro lugar (usamos 0,63), y su tabla muestra a Kaldi-MO, cuyo vocabulario procede solo de las transcripciones de prueba, en 0,65. (7) El estudio de Frontiers evaluó un solo sistema comercial, por lo que sus cifras de concordancia no deben generalizarse a todas las herramientas de lectura. (8) Varias cifras fundacionales (1999, 2003, 2020, 2023) se señalan como dato más reciente disponible; se espera que los artículos de ICASSP 2027 actualicen las cifras del benchmark.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se publiquen las actas de ICASSP 2027.