Utilisé tel quel, Whisper a produit un taux d’erreur sur les mots de 84,6% pour des enfants de maternelle lisant des consignes scriptées, contre 17,5% pour des élèves de 4e année sur le même test (Singh, Sahidullah et Kinnunen, Causal Analysis of ASR Errors for Children 2025). Le taux d’erreur sur les mots (WER) est la part des mots qu’un système substitue, supprime ou insère par rapport à une transcription humaine, ce qui lui permet même de dépasser 100%. La même famille de modèles a obtenu 25,00% de WER sur des enfants américains parlant à un tuteur de sciences et 5,40% sur de la parole lue d’adultes (Jain et al., Interspeech 2023), et l’écart suit les données d’entraînement : le plus grand corpus public anglais d’enfants compte environ 470 heures (Linguistic Data Consortium, LDC2021S05), tandis que Whisper-largeV3 a été entraîné sur 1 million d’heures (Fan et al., Interspeech 2024). L’âge n’est qu’un axe du problème ; les écarts d’accent et de dialecte et les taux d’hallucination suivent une logique de couverture des données similaire. Nous avons agrégé des données issues d’articles d’Interspeech, d’ICASSP et de WOCCI, du Journal of the Acoustical Society of America, du Linguistic Data Consortium, de Frontiers in Education et de la Federal Trade Commission des États-Unis.
TL;DR
- WER de Whisper en zero-shot sur le test scripté de CSLU Kids : 84,6% en maternelle contre 17,5% en 4e année (Singh et al., 2025).
- Whisper Large-V2 prêt à l’emploi : 25,00% de WER sur la parole d’enfants MyST contre 5,40% sur la parole d’adultes LibriTTS (Jain et al., Interspeech 2023).
- Whisper large en zero-shot : 43,9% de WER pour les 4 à 7 ans contre 13,4% pour les 8 à 10 ans (Ying et al., WOCCI 2025).
- Le taux de disfluence des enfants était de 10,1% contre 6,2% dans les conversations d’adultes de Switchboard (Tran et al., Interspeech 2020).
- Whisper-largeV3 entraîné sur 1 million d’heures contre 133 heures de données d’entraînement MyST filtrées pour les enfants (Fan et al., Interspeech 2024).
- Seulement environ 45% des 227 567 énoncés de MyST sont transcrits (Linguistic Data Consortium, LDC2021S05).
- Un réglage fin sur 10 heures de parole d’enfants a ramené le WER de Whisper Large-V2 sur PF-STAR de 73,68% à 2,88% (Jain et al., Interspeech 2023).
- La correction d’erreurs générative a fait passer le WER des enfants de 30,5% à 21,8%, soit une baisse relative de 28,5% (Balaji Shankar et al., CHSER, Interspeech 2025).
- Un système de dépistage de la lecture concordait avec des évaluateurs humains à un kappa de 0,16 pour la fusion de phonèmes contre 0,72 pour le vocabulaire (Petscher et al., Frontiers in Education 2026).
- La règle COPPA modifiée classe les empreintes vocales parmi les informations personnelles et exige que l’audio soit supprimé juste après usage (FTC, COPPA Final Rule 2025).
1. L’écart enfants-adultes sans adaptation
Le chiffre clé de tout produit de parole d’enfants est le score en zero-shot, c’est-à-dire le résultat d’un modèle utilisé tel que livré, sans entraînement supplémentaire sur des enregistrements d’enfants. Whisper Large-V2 a obtenu 25,00% de WER sur la parole d’enfants MyST et 73,68% sur des enfants britanniques du corpus PF-STAR, contre 5,40% sur de la parole lue d’adultes, soit environ 4,6 fois et 13,6 fois le taux adulte (25,00 / 5,40 et 73,68 / 5,40) dans la même évaluation (Jain et al., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Données les plus récentes disponibles pour cette comparaison : 2023.
Les modèles plus récents réduisent l’écart sans le combler. Dans un benchmark de 2024, les modèles Canary et Parakeet de NVIDIA ont battu toutes les tailles de Whisper sur la parole d’enfants malgré des jeux d’entraînement bien plus petits, ce qui a conduit les auteurs à conclure que la qualité des données compte parfois plus que leur volume (Fan, Balaji Shankar et Alwan, Interspeech 2024). Le rapport résiste depuis vingt ans : une étude IEEE de 2003 rapportait déjà des taux d’erreur chez l’enfant de deux à cinq fois ceux des adultes.
| Métrique | Valeur | Source |
|---|---|---|
| WER de Whisper Large-V2 sans entraînement sur des enfants : enfants MyST contre parole lue d’adultes LibriTTS | 25,00% contre 5,40% | Jain et al., Interspeech 2023 |
| WER de Whisper Large-V2 sans entraînement sur des enfants : enfants britanniques PF-STAR ; parole lue CMU Kids | 73,68% ; 12,69% | Jain et al., Interspeech 2023 |
| WER de Whisper-largeV3 en zero-shot : test MyST contre test OGI Kids | 12,6% contre 19,9% | Fan et al., Interspeech 2024 |
| WER en zero-shot de Canary (1B) contre Parakeet-RNNT (1.1B) sur le test MyST ; sur le test OGI | 9,5% contre 11,1% ; 18,2% contre 16,7% | Fan et al., Interspeech 2024 |
| WER de Whisper Medium.en en zero-shot : parole spontanée CSLU Kids contre test-clean adulte LibriSpeech | 31,85% contre 3,02% | Attia et al., Kid-Whisper, AAAI/ACM AIES 2024 |
| Taux d’erreur des systèmes entraînés sur des adultes, sur des enfants contre des adultes | deux à cinq fois moins bon | Potamianos et Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Note de contexte : les deux chiffres de Whisper sur MyST (25,00% et 12,6%) ne traduisent pas une contradiction de qualité du modèle. Le benchmark de 2024 a retiré avant l’évaluation les énoncés dont le WER dépassait 50% ou de moins de 3 mots, ce qui suffit à déplacer les résultats de plusieurs points (voir la section 5).
2. Taux d’erreur par tranche d’âge
« Les enfants » ne forment pas une population unique. Sur le test scripté de CSLU Kids, Whisper en zero-shot est passé de 84,6% de WER en maternelle à 37,5% en 1re année puis 17,5% en 4e année, soit un écart de 4,8 fois (84,6 / 17,5) au sein d’un même jeu de test (Singh, Sahidullah et Kinnunen, Causal Analysis of ASR Errors for Children, 2025). L’essentiel de l’amélioration survient avant la 4e année ; ensuite la courbe cesse de baisser, et le WER de Whisper de la 6e à la 10e année reste au-dessus de son minimum de la 4e année.
Un benchmark ESPnet de 2025 a trouvé le même précipice avec d’autres modèles. Whisper large en zero-shot a obtenu 43,9% pour les 4 à 7 ans, puis est remonté de 13,4% chez les 8 à 10 ans à 18,6% chez les 11 à 15 ans, alors qu’un modèle ouvert réglé finement sur de la parole d’enfants restait sous 10% dans chaque tranche (Ying et al., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). La même pénalité d’âge apparaît dans la vérification du locuteur (vérifier si deux enregistrements viennent de la même personne), ce qui compte pour toute connexion vocale à un compte d’enfant.
| Métrique | Valeur | Source |
|---|---|---|
| WER de Whisper en zero-shot sur le test scripté CSLU Kids : maternelle contre 4e année | 84,6% contre 17,5% | Singh et al., 2025 |
| Même test : 1re année ; 2e année ; 3e année | 37,5% ; 28,0% ; 23,1% | Singh et al., 2025 |
| Même test : 10e année | 22,4% | Singh et al., 2025 |
| WER de Whisper large en zero-shot par âge : 4 à 7 ; 8 à 10 ; 11 à 15 | 43,9% ; 13,4% ; 18,6% | Ying et al., WOCCI 2025 |
| WER d’OWSM v3.1 réglé finement sur de la parole d’enfants, par âge : 4 à 7 ; 8 à 10 ; 11 à 15 | 9,0% ; 7,3% ; 1,8% | Ying et al., WOCCI 2025 |
| Taux d’égale erreur en vérification du locuteur (part de décisions d’acceptation/rejet erronées au point d’équilibre), 4 à 7 ans contre 11 à 15 ans | 13,2% contre 3,73% | Ying et al., WOCCI 2025 |
| Énoncés d’enfants d’âge moyen 4,9 transcrits entièrement correctement : Whisper large-v3 contre Google cloud ASR (2024) | 36,8% contre 9,6% | Janssens et al., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Note sur une valeur aberrante : le modèle MMS a obtenu 193,3% de WER en 6e année dans le test de Singh et al., parce qu’il a inséré bien plus de mots qu’il n’en a été prononcé. Un WER supérieur à 100% signale des insertions incontrôlées, pas une coquille.
3. Pourquoi la parole d’enfants met en échec les modèles entraînés sur des adultes : acoustique et disfluence
Deux mécanismes dominent. D’abord, la voix elle-même est une cible mouvante. Une étude portant sur 436 enfants de 5 à 17 ans et 56 adultes a montré que la durée des segments ne converge vers les niveaux adultes que vers 12 ans, la variabilité de la hauteur et des formants (les résonances qui identifient les voyelles) demandant encore 2 à 3 ans environ (Lee, Potamianos et Narayanan, JASA 1999). Un modèle réglé sur des résonances d’adulte écoute, en pratique, un autre instrument. Données les plus récentes disponibles : Lee, Potamianos et Narayanan, 1999.
Ensuite, les enfants parlent différemment. Leurs explications spontanées montraient des taux de disfluence et de mots de remplissage plus élevés que les conversations d’adultes, avec beaucoup plus de ‘um’ et davantage de mots coupés en cours de route (Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Une modélisation causale de 2025 a placé l’âge et le nombre de mots d’un énoncé en tête des facteurs d’erreur, devant le bruit de fond et la capacité de prononciation. La parole qui s’écarte de la norme adulte pour des raisons cliniques tombe dans le même piège, comme le montre notre tour d’horizon des données sur la parole dysarthrique et atypique.
| Métrique | Valeur | Source |
|---|---|---|
| Locuteurs de l’étude d’acoustique développementale | 436 enfants de 5 à 17 ans ; 56 adultes | Lee, Potamianos et Narayanan, JASA 1999 |
| Âge auquel la durée des segments atteint les niveaux adultes | environ 12 ans | Lee, Potamianos et Narayanan, JASA 1999 |
| Temps supplémentaire pour que la variabilité intra-locuteur de la hauteur et des formants atteigne la plage adulte | environ 2 à 3 ans | Lee, Potamianos et Narayanan, JASA 1999 |
| Âge auquel les profils de hauteur et de formants des garçons et des filles commencent à se séparer ; pleinement établis | environ 11 ans ; environ 15 ans | Lee, Potamianos et Narayanan, JASA 1999 |
| Taux de disfluence : enfants contre conversations d’adultes de Switchboard contre conversations d’adultes de CallHome | 10,1% contre 6,2% contre 6,3% | Tran et al., Interspeech 2020 |
| Taux du mot de remplissage ‘um’ : enfants contre adultes de Switchboard | 2,3% contre 0,5% | Tran et al., Interspeech 2020 |
| Taux de fragments de mots (mots coupés en cours de route) : enfants contre adultes de Switchboard | 1,8% contre 0,5% | Tran et al., Interspeech 2020 |
Note de contexte : le corpus de disfluence est petit (26 enfants, environ 1,26 heure de parole d’enfants), et l’article donne l’âge des enfants comme 4,8 à 7 ans à un endroit et 5 à 8 ans à un autre. Données les plus récentes disponibles : 2020.
4. Rareté des données : heures de parole d’enfants contre jeux d’entraînement des modèles de fondation
Le déséquilibre de taille atteint plusieurs ordres de grandeur. Whisper-largeV3 a été entraîné sur 1 million d’heures d’audio, alors qu’un benchmark de 2024 disposait de 133 heures de parole d’enfants MyST filtrée pour le réglage fin, de sorte que le jeu d’enfants représente environ 0,0133% de ce réservoir de préentraînement (133 / 1 000 000) (Fan et al., Interspeech 2024). Même le modèle Parakeet, plus léger, a vu 64 000 heures, soit environ 480 fois la partition d’entraînement de MyST (64 000 / 133).
MyST n’est lui-même grand qu’à l’échelle de la parole d’enfants. Le catalogue du Linguistic Data Consortium recense environ 470 heures provenant de 1 371 élèves de la 3e à la 5e année, collectées entre 2008 et 2017, avec 102 433 énoncés transcrits sur 227 567 (LDC2021S05, MyST Children’s Conversational Speech). Ses créateurs décrivent le corpus comme faisant environ 400 heures et soulignent combien il est difficile d’obtenir de la parole d’enfants à grande échelle (Pradhan, Cole et Ward, LREC-COLING 2024). Les enfants plus jeunes et les autres langues en ont bien moins : un corpus de mandarin de 2025 pour les 3 à 5 ans compte 41,25 heures (Zhou et al., ChildMandarin 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Données de préentraînement : Whisper-largeV3 ; Canary ; Parakeet-TDT | 1 000 000 ; 85 000 ; 64 000 heures | Fan et al., Interspeech 2024 |
| Corpus MyST tel que catalogué | environ 470 heures ; 1 371 élèves de la 3e à la 5e année ; 10 496 séances de tutorat | Linguistic Data Consortium, LDC2021S05 (2021) |
| Énoncés MyST avec transcription | 102 433 sur 227 567 (environ 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Corpus ChildMandarin, enfants de 3 à 5 ans | 41,25 heures ; 397 locuteurs | Zhou et al., ChildMandarin 2025 |
| Corpus d’enfants en anglais britannique PF-STAR, tel que listé dans un état des lieux des corpus de 2025 | 14,5 heures ; 158 locuteurs de 4 à 14 ans | Zhou et al., ChildMandarin 2025 |
| CMU Kids ; parole scriptée OGI Kids | 9 heures, 76 locuteurs ; 70 heures, 1 118 locuteurs | Ying et al., WOCCI 2025 |
| Données d’entraînement enfants contre adultes dans une étude d’apprentissage par transfert de 2018 | 91,61 heures (6 à 14 ans) contre 205,82 heures (adultes TED-LIUM) | Shivakumar et Georgiou, arXiv 2018 |
Note de contexte : le nombre d’heures de MyST diffère selon la source (environ 470 dans le catalogue LDC, 393 ou environ 400 dans l’article du corpus, environ 240 heures transcrites dans le benchmark de 2024). Nous rapportons chaque chiffre avec sa propre source.
5. Gains du réglage fin et de l’adaptation
Le réglage fin consiste à poursuivre l’entraînement d’un modèle sur des enregistrements d’enfants. C’est la correction la plus fiable, et les gains sont les plus importants là où le modèle en zero-shot était le plus mauvais. Whisper Large-V2 est passé de 73,68% à 2,88% de WER sur les enfants britanniques de PF-STAR après un réglage fin sur seulement 10 heures de parole PF-STAR (Jain et al., Interspeech 2023). Sur la parole conversationnelle de MyST, Whisper-small est passé de 13,4% à 9,3%, soit une réduction relative de 30,6% ((13,4 - 9,3) / 13,4), et un petit module adaptateur mettant à jour 1,29 million de paramètres a égalé le réglage fin complet de 242 millions.
Les techniques plus récentes visent les derniers points. Fusionner uniquement les poids d’attention de modèles apparentés a établi un record MyST de 8,69% de WER pour Whisper-small (Balaji Shankar et al., Selective Attention Merging, ICASSP 2025), et un modèle de correction de texte entraîné sur 200K paires de sortie d’ASR et de transcription humaine a réduit les erreurs sur quatre corpus d’enfants. La manière de nettoyer un jeu de test compte autant que la méthode : retirer les fichiers dont le WER dépasse 50% ou de moins de 3 mots a fait passer le WER de test de Whisper-Large-v1 sur MyST de 26,2% à 14,2%, sans aucun changement du modèle (Attia et al., Kid-Whisper, AIES 2024).
| Métrique | Valeur | Source |
|---|---|---|
| WER de Whisper Large-V2 sur PF-STAR : avant contre après un réglage fin sur 10 heures de parole d’enfants | 73,68% contre 2,88% | Jain et al., Interspeech 2023 |
| WER de Whisper-small, zero-shot contre réglé finement : test MyST ; test OGI Kids | 13,4% contre 9,3% ; 25,4% contre 1,8% | Fan et al., Interspeech 2024 |
| Paramètres entraînés, réglage par adaptateur contre réglage fin complet (tous deux à 9,3% de WER sur MyST) | 1,29 million contre 242 millions | Fan et al., Interspeech 2024 |
| WER de Whisper Medium.en sur la parole spontanée CSLU Kids : zero-shot contre réglé finement sur MyST plus CSLU | 31,85% contre 16,53% | Attia et al., Kid-Whisper, AIES 2024 |
| Whisper-small avec fusion Selective Attention plus augmentation de données, WER sur MyST | 8,69% (jusqu’à 14% de réduction relative) | Balaji Shankar et al., ICASSP 2025 |
| Correction d’erreurs générative, WER sur quatre corpus d’enfants : avant contre après | 30,5% contre 21,8% (28,5% en relatif) | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Réglage fin mixte enfants et adultes contre le modèle préentraîné | jusqu’à 5% de WER en moins en absolu (21% en relatif) | Graave et al., Interspeech 2024 |
| Taux d’erreur sur les caractères de Whisper-small sur de la parole en mandarin d’enfants de 3 à 5 ans : zero-shot contre réglé finement | 37,99% contre 17,45% | Zhou et al., ChildMandarin 2025 |
Note sur une valeur aberrante : les gains ne se transfèrent pas proprement d’un accent, d’un âge ou d’un style de parole à l’autre. Dans la même étude de 2023, Whisper Medium a obtenu 19,76% sur les enfants de PF-STAR après un réglage fin sur de la parole américaine de MyST, contre 3,15% après un réglage fin sur PF-STAR lui-même.
6. Évaluation de la lecture en classe : quand les taux d’erreur rencontrent les décisions
En éducation, le WER n’est pas la mesure finale. Un tuteur de lecture doit décider si l’enfant a lu chaque mot correctement ; une transcription peut donc afficher un WER respectable tout en manquant les erreurs qu’un enseignant doit voir. Dans des tests néerlandais de lecture à voix haute auprès de 71 enfants de 7 à 11 ans, Whisper large-v2 sans réglage fin a atteint un coefficient de corrélation de Matthews (MCC, un score d’accord où 0 signifie le hasard et 1 l’accord parfait) de .01 pour détecter les erreurs de lecture, contre .63 pour un système Kaldi sur mesure (Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Données les plus récentes disponibles : 2023.
Une étude américaine de 2026 sur un système commercial de vérification vocale a trouvé le même schéma selon la tâche (Petscher et al., Frontiers in Education 2026). L’accord avec les évaluateurs humains, mesuré par le kappa de Cohen (accord au-delà du hasard, de 0 à 1), était le plus élevé pour le vocabulaire expressif et le plus faible pour la fusion de phonèmes, la plus complexe sur le plan phonologique des trois tâches. L’ajustement différait aussi selon les groupes d’élèves pour la lecture de mots, une observation importante pour tout district scolaire qui utilise un dépistage automatisé pour décider quels enfants ont besoin d’un soutien en phonétique.
| Métrique | Valeur | Source |
|---|---|---|
| Enfants dans l’étude néerlandaise de lecture à voix haute ; tranche d’âge | 71 ; 7 à 11 | Molenaar et al., Interspeech 2023 |
| Accord avec les jugements humains d’erreurs de lecture (MCC) : système Kaldi-PM contre Whisper large-v2 | .63 contre .01 | Molenaar et al., Interspeech 2023 |
| WER sur la lecture d’enfants par rapport aux transcriptions manuelles : système Kaldi-PM contre Whisper large-v2 | 5,2% contre 13,4% | Molenaar et al., Interspeech 2023 |
| Enfants de maternelle dans l’étude américaine de vérification vocale | 429 issus de 20 écoles dans trois États | Petscher et al., Frontiers in Education 2026 |
| Kappa entre le système et les évaluateurs humains au seuil de 50 : fusion de phonèmes ; vocabulaire expressif ; lecture de mots | 0,16 ; 0,72 ; 0,51 | Petscher et al., Frontiers in Education 2026 |
| Part des réponses classées comme par les évaluateurs humains au seuil de 50, mêmes trois tâches | 0,52 ; 0,87 ; 0,80 | Petscher et al., Frontiers in Education 2026 |
| Kappa de lecture de mots au seuil de 80 : élèves noirs contre élèves blancs | 0,25 contre 0,47 | Petscher et al., Frontiers in Education 2026 |
Note de contexte : Kaldi-PM n’est pas un raccourci déployable, car sa liste de vocabulaire combine les consignes de lecture avec des mots issus des transcriptions manuelles des données de test. Considérez-le comme une mesure de ce que peut faire un système très contraint, et lisez le 5,2% à la lumière de ce dispositif.
7. Règles de confidentialité qui limitent la collecte de parole d’enfants
Le manque de données évoqué à la section 4 est en partie le résultat d’une politique. La règle COPPA modifiée, publiée le 22 avril 2025, a ajouté les identifiants biométriques à la définition des informations personnelles des enfants et cite explicitement les empreintes vocales (FTC, COPPA Final Rule Amendments 2025). Son exception au consentement parental pour l’audio couvre un fichier contenant la voix d’un enfant et aucune autre information personnelle, utilisé uniquement pour répondre à la demande de l’enfant et supprimé immédiatement après, ce qui ne laisse aucune place, sous cette exception, à la conservation du fichier comme données d’entraînement.
L’application effective confirme le texte. En 2023, la FTC et le Department of Justice ont accusé Amazon d’avoir conservé indéfiniment les enregistrements Alexa d’enfants ; l’ordonnance proposée comportait une sanction civile de 25 millions de dollars et interdisait d’utiliser les données vocales concernées pour créer ou améliorer des produits de données (communiqué de la FTC, 31 mai 2023). Les chercheurs réagissent en déplaçant la reconnaissance sur l’appareil : un modèle Whisper tiny.en réglé finement a tourné sur un Raspberry Pi à 15,9% de WER sur MyST, en citant les règles de confidentialité comme motivation (Dutta, Chandupatla et Hansen, WOCCI 2025).
| Métrique | Valeur | Source |
|---|---|---|
| Âge couvert par COPPA | enfants de moins de 13 ans | Communiqué de la FTC, 2023 |
| Règle COPPA modifiée : vote de la Commission ; commentaires publics examinés | 5-0 ; près de 300 | Communiqué de la FTC, 16 janvier 2025 |
| Règle modifiée : publication au Federal Register ; délai complet de mise en conformité | 22 avril 2025 ; un an après la publication | FTC, COPPA Final Rule Amendments 2025 |
| Identifiants biométriques cités comme informations personnelles | empreintes vocales, aux côtés des empreintes digitales, des modèles faciaux et des schémas de démarche | FTC, COPPA Final Rule 2025 |
| Affaire Amazon Alexa : sanction civile ; enfants utilisant Alexa via leur propre profil | 25 millions de dollars ; plus de 800 000 | FTC, communiqué sur Amazon Alexa et blog pour les entreprises, 31 mai 2023 |
| Whisper tiny.en sur l’appareil, sur un Raspberry Pi : WER sur MyST ; avec filtrage des données ; facteur temps réel (temps de traitement divisé par la durée de l’audio) | 15,9% ; 11,8% ; 0,23 à 0,41 | Dutta et al., WOCCI 2025 |
Note de contexte : la politique d’application de la FTC de 2017 sur les enregistrements vocaux posait la même logique de conservation courte, n’autorisant l’audio collecté que pour remplacer des mots écrits et supprimé rapidement (déclaration de politique de la FTC, 2017). Données les plus récentes disponibles sur l’affaire Amazon : 2023.
Résumé : le taux d’erreur sur les mots en reconnaissance vocale des enfants en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| WER de Whisper en zero-shot sur le test scripté CSLU Kids : maternelle contre 4e année | 84,6% contre 17,5% | Singh et al., 2025 |
| WER de Whisper Large-V2 sans entraînement sur des enfants : enfants MyST contre parole lue d’adultes | 25,00% contre 5,40% | Jain et al., Interspeech 2023 |
| WER de Whisper large en zero-shot : 4 à 7 ans contre 8 à 10 ans | 43,9% contre 13,4% | Ying et al., WOCCI 2025 |
| Taux d’erreur en vérification du locuteur : 4 à 7 ans contre 11 à 15 ans | 13,2% contre 3,73% | Ying et al., WOCCI 2025 |
| Enfants d’âge moyen 4,9 : transcriptions entièrement correctes, Whisper large-v3 contre Google | 36,8% contre 9,6% | Janssens et al., Technological Advances in Human-Robot Interaction 2024 |
| Systèmes entraînés sur des adultes, sur des enfants contre des adultes | deux à cinq fois moins bons | Potamianos et Narayanan, IEEE TSAP 2003 |
| Âge auquel la durée des segments des enfants atteint les niveaux adultes | environ 12 ans | Lee, Potamianos et Narayanan, JASA 1999 |
| Taux de disfluence : enfants contre adultes de Switchboard | 10,1% contre 6,2% | Tran et al., Interspeech 2020 |
| Données de préentraînement, Whisper-largeV3 contre jeu d’entraînement MyST filtré pour les enfants | 1 000 000 contre 133 heures | Fan et al., Interspeech 2024 |
| Taille du corpus MyST | environ 470 heures ; 1 371 élèves | Linguistic Data Consortium, LDC2021S05 |
| Corpus d’enfants en mandarin, 3 à 5 ans | 41,25 heures ; 397 locuteurs | Zhou et al., ChildMandarin 2025 |
| Whisper Large-V2 sur PF-STAR : avant contre après 10 heures de réglage fin | 73,68% contre 2,88% | Jain et al., Interspeech 2023 |
| Meilleur WER rapporté pour Whisper-small sur MyST (fusion d’attention plus augmentation) | 8,69% | Balaji Shankar et al., ICASSP 2025 |
| Correction d’erreurs générative sur quatre corpus d’enfants | de 30,5% à 21,8% de WER | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Accord sur la détection des erreurs de lecture (MCC) : système Kaldi-PM contre Whisper large-v2 | .63 contre .01 | Molenaar et al., Interspeech 2023 |
| Kappa du dépistage en maternelle : fusion de phonèmes contre vocabulaire expressif | 0,16 contre 0,72 | Petscher et al., Frontiers in Education 2026 |
| Affaire des données vocales d’enfants d’Amazon Alexa, sanction civile | 25 millions de dollars | FTC, 2023 |
Méthodologie et sources
Nous avons effectué 21 recherches web et lu l’article source, la notice de catalogue, l’article de revue ou le texte réglementaire derrière chaque chiffre ci-dessus. Les valeurs de WER sont rapportées exactement telles que chaque article les imprime ; les jeux de test, la normalisation du texte et le filtrage diffèrent d’une étude à l’autre, il faut donc comparer les chiffres au sein d’une ligne ou d’une même étude plutôt qu’entre études. Les chiffres de plus de trois ans sont signalés dans leurs sections comme données les plus récentes disponibles.
- Singh, Sahidullah et Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (soumis à Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran et Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar et 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 et Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos et 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 et 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 et 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 et 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 janvier 2025 et 16 CFR Part 312: COPPA Final Rule Amendments
- FTC et DOJ, communiqué sur Amazon Alexa, 31 mai 2023 et blog de la FTC pour les entreprises sur l’affaire Alexa
- Note sur les données : (1) les résultats de Whisper en zero-shot sur MyST vont d’environ 12,5% à 25% selon que le jeu de test a été filtré ou non, de sorte que les benchmarks de 2023 et de 2024 ne sont pas directement comparables. (2) La taille de MyST est rapportée comme environ 470 heures (LDC), 393 ou environ 400 heures (article du corpus) et environ 240 heures transcrites (benchmark de 2024). (3) Les résultats par niveau scolaire de Singh et al. sont une préimpression, et l’article décrit MyST comme allant de la 3e à la 5e année à un endroit et de la 5e à la 8e année à un autre. (4) Le benchmark ESPnet attribue son meilleur WER moyen à Whisper-small dans une section et à Whisper medium dans une autre. (5) La réduction de 13,3% pour les systèmes déjà réglés finement dans le résumé de CHSER ne vaut que pour Whisper Tiny ; le texte donne une plage de 9% à 13,3%. (6) L’article de Molenaar et al. imprime le MCC de Kaldi-PM à .62 dans le texte des résultats et à .63 ailleurs (nous retenons .63), et son tableau montre Kaldi-MO, dont le vocabulaire provient uniquement des transcriptions de test, à .65. (7) L’étude de Frontiers a évalué un seul système commercial ; ses chiffres d’accord ne doivent donc pas être généralisés à tous les outils de lecture. (8) Plusieurs chiffres fondateurs (1999, 2003, 2020, 2023) sont signalés comme données les plus récentes disponibles ; les articles d’ICASSP 2027 devraient mettre à jour les chiffres des benchmarks.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue à la publication des actes d’ICASSP 2027.