Ketika Speech Accessibility Project dimulai, basis data ucapan atipikal terbesar mencakup 16 orang dengan palsi serebral; pada akhir September 2025, sekitar 2.000 peserta telah mengirimkan rekaman ke proyek ini (Speech Accessibility Project, 2025 dan 2026). Project Euphonia milik Google, korpus besar lainnya, mencapai lebih dari 1,5 juta ujaran dari sekitar 3.000 penutur pada Februari 2025, tetapi tertutup bagi tim dari luar (Martin dkk., Frontiers in Language Sciences 2025; Google Project Euphonia). Lebih banyak data belum menghapus kesenjangan itu: dalam tolok ukur 2026 terhadap delapan sistem AI, ucapan tipikal tetap di bawah 5% tingkat kesalahan kata (WER, persentase kata yang salah ditranskripsikan sebuah sistem), sedangkan disartria berat melampaui 51% untuk setiap sistem (Alsayegh dan Masood, International Journal of Intelligent Systems 2026). Kami menghimpun data dari Speech Accessibility Project di University of Illinois Beckman Institute, Google Research, Linguistic Data Consortium, NIDCD, ASHA, dan lebih dari selusin makalah yang telah ditelaah sejawat. Statistik bias aksen pada pengenalan ucapan kami membahas bagaimana kesalahan ini dibandingkan dengan kesenjangan berdasarkan ras, dialek, dan aksen; rangkuman ini menelaah dataset itu sendiri: seberapa besar, siapa saja yang ada di dalamnya, dan apa dampaknya terhadap tingkat kesalahan.
TL;DR
- Sekitar 2.000 orang telah mengirimkan rekaman ke Speech Accessibility Project hingga akhir September 2025 (Speech Accessibility Project, 2026).
- Project Euphonia memiliki lebih dari 1,5 juta ujaran dari sekitar 3.000 penutur pada Februari 2025, dan Google tidak membagikannya di luar perusahaan (Martin dkk., Frontiers in Language Sciences 2025).
- TORGO, tolok ukur standar sejak 2012, memuat 8 penutur dengan disartria dan sekitar 23 jam audio (Linguistic Data Consortium, LDC2012S02).
- UA-Speech merekam 19 penutur dengan palsi serebral pada 2008, dan 16 di antaranya masih ada dalam distribusi saat ini (University of Illinois, UA-Speech 2008).
- Penyakit Parkinson, palsi serebral, ALS, sindrom Down, dan stroke masing-masing direncanakan 400 peserta dalam Speech Accessibility Project (ClinicalTrials.gov NCT05889260).
- Penutur ALS membentuk 39,2% dari subset riset Euphonia berisi 195 penutur, dibandingkan 10,8% untuk penyakit Parkinson (Tobin dan Tomanek, Google 2021).
- Kedelapan sistem AI semuanya melampaui 51% WER pada disartria berat di TORGO (Alsayegh dan Masood, IJIS 2026).
- Tingkat kesalahan karakter Whisper-Turbo secara zero-shot pada UA-Speech adalah 9,3% untuk penutur kontrol dan 165,2% untuk penutur disartrik (de Groot dkk., TU Delft 2025).
- Fine-tuning USM milik Google pada ucapan terganggu menurunkan WER ucapan berat dari 48,1 menjadi 31,3 (Tobin dkk., Google Research 2024).
- Model yang dipersonalisasi meningkatkan WER ALS sebesar 62% secara relatif, dengan 71% peningkatan berasal dari 5 menit data (Shor dkk., Interspeech 2019).
- TORGO hanya memiliki 957 teks unik di antara 16.394 entri teks (Hui dkk., 2024).
- Disartria memengaruhi 44% hingga 88% penderita penyakit Parkinson (ASHA Practice Portal, Dysarthria in Adults).
1. Dua Korpus Besar: Speech Accessibility Project dan Project Euphonia
Data ucapan terganggu kini ada pada skala yang sebanding dengan LibriSpeech, tolok ukur ucapan bacaan yang banyak dipakai, tetapi hanya satu dari dua koleksi besar yang terbuka. Sekitar 2.000 peserta telah mengirimkan rekaman ke Speech Accessibility Project hingga akhir September 2025, dan proyek ini menyebut sekitar 65 organisasi menggunakan datanya. Korpus Euphonia milik Google lebih besar dalam jumlah penutur, tetapi halaman proyeknya menyatakan bahwa dataset tersebut tidak tersedia bagi tim atau perusahaan dari luar (Google, Project Euphonia).
Artinya secara praktis, riset terbuka tentang pengenalan ucapan terganggu sebagian besar melewati satu penjaga gerbang. Speech Accessibility Project merilis data di bawah perjanjian penggunaan data (kontrak bertanda tangan yang mengatur siapa yang boleh menggunakan rekaman dan untuk tujuan apa), yang mensyaratkan dua tanda tangan dari organisasi pemohon dan berlaku paling lama 3 tahun (Speech Accessibility Project, halaman Conduct Research). Pertumbuhan Euphonia, dari 1,2 juta ujaran pada 2024 menjadi lebih dari 1,5 juta pada 2025, tetap berada di dalam Google.
| Metrik | Nilai | Sumber |
|---|---|---|
| Peserta yang telah mengirimkan rekaman ke Speech Accessibility Project, akhir September 2025 | Sekitar 2.000 | Speech Accessibility Project, beranda 2026 |
| Paket data Speech Accessibility Project, deskripsi katalog | Sekitar 1.090 jam ucapan dari sekitar 1.130 peserta; lima kondisi | Katalog YorVoice University of York, catatan Speech Accessibility Project |
| Halaman akses riset Speech Accessibility Project | 1.500 jam ucapan terekam; sekitar 999 peserta; sekitar 65 organisasi menggunakan data | Speech Accessibility Project, halaman Conduct Research 2026 |
| Korpus Project Euphonia, Februari 2025 | Lebih dari 1,5 juta ujaran dari sekitar 3.000 penutur | Google (Martin dkk.), Frontiers in Language Sciences 2025 |
| Korpus Project Euphonia, 2024 | 1,2 juta ujaran dari lebih dari 2.000 penutur | Google (Jiang dkk.), Interspeech 2024 |
| Rekaman Euphonia dengan transkrip yang ditinjau dan dikoreksi manusia | 352.130 (29% dari korpus) | Google (Jiang dkk.), Interspeech 2024 |
| Penutur Euphonia dengan label karakteristik ucapan | Lebih dari 75% penutur, lebih dari 40 label | Google (Jiang dkk.), Interspeech 2024 |
Konteks: sebagai gambaran skala, LibriSpeech, yang dibangun dari buku audio yang dibacakan, adalah korpus sekitar 1.000 jam (OpenSLR, LibriSpeech). Kedua deskripsi Speech Accessibility Project tidak cocok (lebih banyak jam tetapi lebih sedikit peserta pada halaman proyek itu sendiri), yang kami catat dalam catatan data. Angka Euphonia berasal dari Jiang dkk. dan Martin dkk..
2. Korpus Lama: TORGO, UA-Speech, dan Era Data Kecil
Selama lebih dari satu dekade, pengenalan ucapan disartrik diukur pada segelintir penutur. TORGO berisi 8 penutur dengan disartria (5 laki-laki, 3 perempuan) dan 7 penutur kontrol, sekitar 23 jam bahasa Inggris yang direkam di Toronto antara 2008 dan 2010. UA-Speech, yang direkam di University of Illinois, mencakup 19 penutur dengan palsi serebral, masing-masing membaca 765 kata terpisah (Kim dkk., Interspeech 2008). Model yang dilaporkan sebagai yang tercanggih pada salah satu korpus ini, pada dasarnya, diuji pada lebih sedikit orang daripada satu kelas biasa.
Korpus juga menyusut dan terpecah seiring waktu. UA-Speech kini mendistribusikan 16 dari 19 penutur aslinya karena tiga orang menarik izin atau datanya rusak, dan lisensinya melarang penggunaan komersial (University of Illinois, UA-Speech). Di luar bahasa Inggris, gambarannya serupa: korpus perintah bahasa Italia dan korpus bahasa Mandarin masing-masing dibangun dari beberapa lusin penutur.
| Metrik | Nilai | Sumber |
|---|---|---|
| Penutur TORGO | 8 dengan disartria (palsi serebral atau ALS) dan 7 kontrol | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Audio TORGO dan rilis | Sekitar 23 jam, direkam 2008 hingga 2010; dirilis 19 Januari 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Materi bacaan TORGO | 162 kalimat dari Yorkston dan Beukelman, 460 kalimat turunan TIMIT, ditambah rekaman gerakan lidah dan bibir (artikulografi elektromagnetik) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Penutur UA-Speech dengan palsi serebral, semula dibandingkan yang didistribusikan saat ini | 19 berbanding 16 | Kim dkk., Interspeech 2008; University of Illinois, halaman UA-Speech |
| Kosakata dan pengaturan rekaman UA-Speech | 765 kata terpisah per penutur, termasuk 300 kata jarang yang berbeda; susunan 8 mikrofon | Kim dkk., Interspeech 2008 |
| Basis data ucapan atipikal terbesar saat Speech Accessibility Project dimulai | 16 orang dengan palsi serebral | Speech Accessibility Project, artikel Microsoft Azure 2025 |
| EasyCall (bahasa Italia) | 21.386 rekaman dari 31 penutur disartrik dan 24 penutur sehat | Turrisi dkk., Interspeech 2021 |
| CDSD (bahasa Mandarin) | 133 jam dari 44 penutur | Wang dkk., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Data terbaru yang tersedia: TORGO (LDC, 2012), UA-Speech (Kim dkk., 2008), dan EasyCall (Interspeech 2021) semuanya berusia lebih dari tiga tahun, dan tetap menjadi korpus yang masih paling banyak dilaporkan oleh makalah. Makalah CDSD bahasa Mandarin menyebut 133 jam itu sebagai 124 jam audio ditambah 9 jam video, dengan 80 jam audio berasal dari hanya 8 penutur yang masing-masing direkam selama 10 jam.
3. Siapa yang Ada dalam Data: Etiologi, Tingkat Keparahan, dan Bahasa
Setiap korpus besar condong ke orang yang paling mudah direkrut lebih dulu. Speech Accessibility Project dirancang untuk 2.000 orang, 400 untuk masing-masing dari lima etiologi (penyebab medis yang mendasari perbedaan ucapan): penyakit Parkinson, ALS, palsi serebral, sindrom Down, dan stroke (ClinicalTrials.gov NCT05889260). Paket data pertamanya hanya berisi penutur Parkinson, dan rilis tantangan April 2024, yang terutama direkam pada 2023, masih didominasi mereka (Zheng dkk., Interspeech 2025 Challenge). Statistik pengobatan bicara dan suara pada penyakit Parkinson kami membahas sisi klinis dari populasi ini.
Kecenderungan Euphonia berjalan ke arah lain, yaitu ke ALS dan ke ucapan yang lebih ringan. Dalam subset riset berisi 195 penutur, ALS menyumbang 39,2% penutur dan seperempatnya dinilai berat. Sebagian besar rekaman yang dinilai dalam paket pertama Speech Accessibility Project berada di ujung terendah skala kejelasan ucapan, dan ini penting karena dataset yang sebagian besar berisi ucapan ringan akan membuat rata-rata model tampak lebih baik.
| Metrik | Nilai | Sumber |
|---|---|---|
| Rancangan rencana Speech Accessibility Project | 2.000 orang, 400 per etiologi, 1,2 juta sampel ucapan (600 per orang) | ClinicalTrials.gov NCT05889260, catatan Speech Accessibility Project |
| Pendaftaran aktual dalam catatan registri (yang mencantumkan penyakit Parkinson dan kondisi parkinsonian terkait) | 485 peserta; studi selesai 31 Juli 2025 | ClinicalTrials.gov NCT05889260, catatan Speech Accessibility Project |
| Rilis tantangan SAP-240430, bagian pelatihan | 369 penutur, 131.420 ujaran, 290,35 jam | Zheng dkk., Interspeech 2025 Speech Accessibility Project Challenge |
| SAP-240430, bagian pengembangan dan uji | Dev 55 penutur (43,56 jam); Test1 50 penutur (42,16 jam); Test2 50 penutur (38,77 jam) | Zheng dkk., Interspeech 2025 Speech Accessibility Project Challenge |
| Rekrutmen paket data pertama, orang yang terdaftar, disetujui, dan direkam | 746, 283, dan 253 | Speech Accessibility Project (Hasegawa-Johnson dkk.), JSLHR 2024 |
| Paket data pertama, penilaian kejelasan ucapan pada skala 1 hingga 7 (1 = paling sedikit terganggu) | 76% rekaman yang dinilai berada di 1; 1,5% di 5 hingga 7 | Speech Accessibility Project (Hasegawa-Johnson dkk.), JSLHR 2024 |
| Subset 195 penutur Euphonia, menurut etiologi | ALS 39,2%; palsi serebral 13,4%; penyakit Parkinson 10,8%; gangguan pendengaran 5,2%; ataksia 3,1% | Google (Tobin dan Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Subset 195 penutur Euphonia, menurut tingkat keparahan | Tipikal 7,7%; ringan 35,4%; sedang 31,8%; berat 25,1% | Google (Tobin dan Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Konteks: cakupan bahasa adalah dimensi yang paling tipis. Setiap peserta dalam paket pertama Speech Accessibility Project melaporkan bahasa Inggris AS sebagai bahasa ibu (Hasegawa-Johnson dkk., JSLHR 2024), dan halaman Euphonia milik Google mencatat bahwa program Speech Accessibility Project saat ini hanya tersedia dalam bahasa Inggris. Perluasan Euphonia ke empat bahasa lain telah mencapai 132 penutur pada 2025: 76 dalam bahasa Jepang, 38 dalam bahasa Spanyol, 14 dalam bahasa Prancis, dan 4 dalam bahasa Hindi (Martin dkk., Frontiers in Language Sciences 2025). Penderita ALS menghadapi kesenjangan yang sama saat ucapan mereka berubah, yang dilacak statistik kemunduran ucapan bulbar pada ALS kami dari waktu ke waktu.
4. Kesenjangan Tingkat Kesalahan Kata pada Ucapan Disartrik
Pengenal siap pakai nyaris teratasi untuk disartria ringan dan masih gagal di ujung yang berat. Dalam tolok ukur 2026 terhadap delapan sistem pada TORGO, termasuk Whisper large-v3, Deepgram Nova-3, GPT-4o, dan Gemini 2.5 Pro, disartria berat melampaui 51% WER untuk setiap sistem, sementara sistem terdepan mencetak sekitar 1% hingga 2% pada disartria ringan (Alsayegh dan Masood, IJIS 2026). Model bahasa besar multimodal tidak menunjukkan keunggulan atas pengenal konvensional pada pengaturan bawaan.
Tingkat keparahan, bukan merek model, adalah variabel yang memprediksi kegagalan. Model dasar Google sendiri naik dari 10,7 WER pada ucapan ringan menjadi 48,1 pada ucapan berat di set uji kalimat bacaannya (Tobin dkk., Google Research 2024). Pada UA-Speech, Whisper-Turbo zero-shot (zero-shot berarti dipakai tanpa adaptasi apa pun terhadap penutur) menghasilkan tingkat kesalahan karakter di atas 100%, yang terjadi ketika sebuah model mengeluarkan lebih banyak karakter yang salah, termasuk kata yang dikarang, daripada yang ada dalam acuan.
| Metrik | Nilai | Sumber |
|---|---|---|
| TORGO, delapan sistem AI komersial dan multimodal, ucapan tipikal berbanding disartria berat | Di bawah 5% WER berbanding di atas 51% WER untuk setiap sistem | Alsayegh dan Masood, International Journal of Intelligent Systems 2026 |
| TORGO, disartria ringan, sistem terdepan | Sekitar 1% hingga 2% WER | Alsayegh dan Masood, International Journal of Intelligent Systems 2026 |
| Disartria berat, prompt bawaan berbanding prompt transkripsi verbatim | GPT-4o 60,1% menjadi 52,9%; GPT-4o Mini 66,0% menjadi sekitar 55% | Alsayegh dan Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, tingkat kesalahan karakter Whisper-Turbo zero-shot, penutur kontrol berbanding penutur disartrik | 9,3% berbanding 165,2% | de Groot dkk. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Set uji kalimat bacaan Euphonia, WER dasar USM menurut tingkat keparahan | Ringan 10,7; sedang 29,5; berat 48,1 | Google (Tobin dkk.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Set uji Parkinson (semua kalimat), model yang dilatih hanya pada ucapan bacaan tipikal | LibriSpeech 100 jam: 45,15% WER; LibriSpeech 960 jam: 38,76% WER | Speech Accessibility Project (Hasegawa-Johnson dkk.), JSLHR 2024 |
| Penutur yang WER bawaannya memenuhi target otomasi rumah 15%, semua penutur berbanding penutur berat | 35% berbanding 10% | Google (Tobin dan Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Pencilan: perbaikan GPT-4o dengan prompt verbatim menunjukkan bahwa sebagian kesalahan model multimodal pada ucapan berat berasal dari menulis ulang apa yang diucapkan, bukan hanya dari salah dengar; para penulis melaporkan bahwa model Gemini tidak memperoleh peningkatan yang konsisten dari prompt yang sama. Angka UA-Speech berasal dari de Groot dkk., yang melaporkan hasil disartrik hanya sebagai agregat, bukan menurut kelompok kejelasan ucapan, untuk kondisi zero-shot.
5. Peningkatan dari Model yang Dipersonalisasi dan Di-fine-tune
Sedikit data yang tepat menggeser tingkat kesalahan lebih banyak daripada perubahan arsitektur apa pun. Model yang dipersonalisasi meningkatkan WER sebesar 62% secara relatif untuk penutur dengan ALS, dan 71% dari peningkatan itu berasal dari hanya 5 menit data pelatihan (Shor dkk., Interspeech 2019). Model-model itu dilatih pada 67 penutur ALS, sekitar 36 jam audio (blog Google Research, 2019).
Hasil yang lebih baru adalah bahwa satu model bersama dapat menyerap sebagian besar manfaat itu. USM milik Google, yang di-fine-tune pada 1.158 jam ucapan terganggu, menutup 64% kesenjangan antara model dasar dan model per penutur, dan Microsoft melaporkan peningkatan akurasi 18% hingga 60% pada Azure AI Speech dari data Speech Accessibility Project, bergantung pada disabilitas penutur. Batas atasnya tetap tingkat keparahan: WER ucapan berat sebesar 31,3 pada model hasil fine-tuning lebih dari empat kali angka ucapan ringannya sebesar 7,3 dalam tabel yang sama (31,3 dibagi 7,3 adalah 4,3).
| Metrik | Nilai | Sumber |
|---|---|---|
| Peningkatan WER relatif dari model yang dipersonalisasi, ucapan ALS berbanding ucapan beraksen | 62% berbanding 35% | Google (Shor dkk.), Interspeech 2019 |
| WER penutur ALS setelah personalisasi, frasa bank pesan, disartria ringan berbanding yang lebih serius | 10% berbanding 20% | Google (Shor dkk.), Interspeech 2019 |
| Penutur yang mencapai target otomasi rumah WER 15% dengan 50 ujaran (3 hingga 4 menit) berbanding 250 ujaran (18 hingga 20 menit) | 63% berbanding 79% | Google (Tobin dan Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM di-fine-tune pada ucapan terganggu, WER sebelum berbanding sesudah, menurut tingkat keparahan | Ringan 10,7 menjadi 7,3; sedang 29,5 menjadi 19,6; berat 48,1 menjadi 31,3 | Google (Tobin dkk.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Fine-tuning USM, peningkatan relatif pada ucapan kalimat bacaan berbanding ucapan percakapan spontan | 33% berbanding 26% | Google (Tobin dkk.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Peningkatan Microsoft Azure AI Speech dengan data Speech Accessibility Project | 18% hingga 60%, bergantung pada disabilitas penutur | Speech Accessibility Project, artikel Microsoft Azure 2025 |
| Tingkat kesalahan karakter uji CDSD bahasa Mandarin, dilatih hanya pada CDSD berbanding dilatih awal pada WenetSpeech lalu di-fine-tune | 24,9% berbanding 16,4% | Wang dkk., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, tingkat kesalahan karakter Whisper-Turbo hasil fine-tuning menurut kelompok kejelasan ucapan | Sangat rendah 64,4%; rendah 44,8%; sedang 40,1%; tinggi 30,2% | de Groot dkk. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Konteks: penutur berat tetap menjadi kelompok tersulit meskipun dengan seluruh data mereka. Dalam studi personalisasi Euphonia, 69% penutur berat mencapai target otomasi rumah 15% dengan seluruh rekaman mereka, dibandingkan 99% penutur ringan (Tobin dan Tomanek, 2021). Pemimpin Speech Accessibility Project mengatakan bahwa pelatihan pada sebagian dataset memangkas tingkat kesalahan untuk penderita Parkinson hampir setengahnya (Speech Accessibility Project, pengumuman berbagi data 2024). Data terbaru yang tersedia tentang personalisasi per penutur: Shor dkk. (2019) dan Tobin dan Tomanek (2021).
6. Jebakan Tolok Ukur: Tumpang Tindih Kalimat, Artefak Rekaman, dan Derau Label
Korpus kecil dengan kalimat yang berulang membuat akurasi yang dipublikasikan tampak lebih baik daripada penggunaan nyata. TORGO hanya memiliki 957 teks unik di antara 16.394 entri teks, dan tumpang tindih kalimat per penutur untuk delapan penutur disartrik berkisar dari 95,7% hingga 100% (Hui dkk., 2024). Ketika para penulis membangun ulang pembagian data sehingga tidak ada kalimat yang muncul baik di pelatihan maupun uji, WER model wav2vec2 untuk satu penutur ringan naik dari 3,17% menjadi 45,21%. Sebuah model dapat mempelajari daftar kalimat alih-alih penuturnya.
Efek yang sama muncul pada korpus terbaru. Pada kalimat yang juga dibaca oleh penutur pelatihan, model hasil fine-tuning milik Speech Accessibility Project mencatat 5,18% WER, dan makalahnya melaporkan kalimat bersama dan tidak bersama secara terpisah karena alasan itu. Kondisi rekaman adalah jebakan kedua: Schu dkk. (2022) menemukan bahwa sebagian besar pengklasifikasi disartria mutakhir berkinerja sama atau lebih baik pada segmen non-ucapan dari UA-Speech dan TORGO, yang berarti mereka mungkin mendeteksi pengaturan rekaman alih-alih ucapan.
| Metrik | Nilai | Sumber |
|---|---|---|
| Teks unik TORGO berbanding total entri teks | 957 berbanding 16.394 | Hui dkk., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Tumpang tindih kalimat per penutur TORGO, delapan penutur disartrik | 95,7% hingga 100% | Hui dkk., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, penutur berat M04, pembagian asli berbanding pembagian tanpa tumpang tindih | 64,50% berbanding 93,75% | Hui dkk., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, penutur ringan M03, pembagian asli berbanding pembagian tanpa tumpang tindih | 3,17% berbanding 45,21% | Hui dkk., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Kalimat Parkinson yang dibagi dengan penutur pelatihan, model dilatih pada LibriSpeech 960 jam berbanding di-fine-tune pada data proyek | 45,39% berbanding 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson dkk.), JSLHR 2024 |
| Tinjauan transkrip Euphonia, transkrip yang distandarkan per penutur berbanding ujaran dengan perubahan kata yang sebenarnya | 72% rata-rata berbanding di bawah 5% | Google (Jiang dkk.), Interspeech 2024 |
| Filter otomatis tanpa-ucapan Euphonia, persentase rekaman yang ditandai yang sebenarnya berisi ucapan (tingkat penghilangan keliru) | 47,7% | Google (Jiang dkk.), Interspeech 2024 |
| USM di-fine-tune pada ucapan terganggu, WER LibriSpeech Clean pada ucapan tipikal | 2,4, tidak berubah pada bobot data yang diuji | Google (Tobin dkk.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Konteks: derau label di Euphonia sebagian besar bersifat kosmetik, karena sekitar 95% koreksi berupa tanda baca, huruf kapital, atau normalisasi lainnya; risiko yang lebih besar adalah filter otomatis membuang ucapan yang valid tetapi pelan atau lambat, yang menyingkirkan justru penutur yang paling dibutuhkan sebuah dataset. Hasil USM menjawab kekhawatiran yang umum: menambahkan ucapan terganggu tidak menurunkan akurasi ucapan tipikal pada bobot yang diuji para penulis.
7. Konteks Prevalensi: Populasi yang Dilayani Dataset Ini
Korpus di atas mencakup beberapa ribu penutur; populasi dengan perbedaan ucapan berjumlah jutaan. Pada 2012, 7,7% anak AS berusia 3 hingga 17 tahun mengalami gangguan komunikasi atau menelan dalam 12 bulan terakhir, dan masalah bicara adalah jenis yang paling umum, yaitu 5,0% (NCHS Data Brief No. 205). Hanya 55,2% anak-anak tersebut yang menerima layanan intervensi pada tahun yang sama.
Pada orang dewasa, disartria adalah ciri yang sering muncul pada kondisi neurologis umum, bukan gangguan yang langka. Tinjauan ASHA menempatkannya pada 44% hingga 88% penderita penyakit Parkinson dan 22% hingga 58% penderita stroke akut (ASHA Practice Portal, Dysarthria in Adults), dan rentang itu, bukan komposisi sampel kemudahan, yang perlu dicerminkan oleh dataset yang representatif. Gangguan kelancaran seperti gagap menambah populasi lain, yang dibahas dalam statistik demografi gagap kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Anak AS usia 3 hingga 17 tahun dengan gangguan komunikasi atau menelan, 12 bulan terakhir; masalah bicara | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, data NHIS 2012) |
| Prevalensi menurut usia, 3 hingga 6 tahun berbanding 11 hingga 17 tahun | 11,0% berbanding 4,9% | NCHS Data Brief No. 205 (2015, data NHIS 2012) |
| Anak dengan gangguan yang menerima layanan intervensi, 12 bulan terakhir | 55,2% | NCHS Data Brief No. 205 (2015, data NHIS 2012) |
| Orang dewasa AS yang melaporkan masalah suara dalam 12 bulan terakhir | 7,6% (sekitar 17,9 juta) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Orang Amerika yang gagap; orang Amerika yang hidup dengan afasia | Lebih dari 3 juta (sekitar 1%); sekitar 2 juta, dengan hampir 180.000 kasus baru setahun | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Tingkat disartria, penyakit Parkinson; multiple sclerosis; stroke akut; cedera otak traumatis akut hingga subakut | 44% hingga 88%; 40% hingga 51%; 22% hingga 58%; sekitar 30% hingga 86% | ASHA Practice Portal, Dysarthria in Adults |
| Tingkat disartria, penyakit Huntington; penyakit neuromuskular seperti ALS | 78% hingga 93%; 26% hingga 62% | ASHA Practice Portal, Dysarthria in Adults |
| Orang dewasa AS dengan kesulitan pendengaran, bicara, atau bahasa yang melaporkan menghadapi stigma | 65% dari 1.004 responden | ASHA-YouGov National Poll 2024 |
Data terbaru yang tersedia: angka prevalensi anak berasal dari National Health Interview Survey 2012, yang dipublikasikan pada 2015, dan ringkasan NIDCD sendiri (NIDCD Quick Statistics) mengutip survei yang sama. Angka stigma berasal dari jajak pendapat daring yang dilakukan pada 21 hingga 26 Februari 2024 (ASHA-YouGov, 2024).
Ringkasan: Dataset AI Ucapan Atipikal dan Disartrik dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Peserta yang telah mengirimkan rekaman ke Speech Accessibility Project, akhir September 2025 | Sekitar 2.000 | Speech Accessibility Project, beranda 2026 |
| Paket data Speech Accessibility Project, deskripsi katalog | Sekitar 1.090 jam dari sekitar 1.130 peserta | Katalog YorVoice University of York, catatan Speech Accessibility Project |
| Korpus Project Euphonia, Februari 2025 | Lebih dari 1,5 juta ujaran dari sekitar 3.000 penutur | Google (Martin dkk.), Frontiers in Language Sciences 2025 |
| Rekaman Euphonia dengan transkrip yang ditinjau manusia | 352.130 (29%) | Google (Jiang dkk.), Interspeech 2024 |
| Penutur dan audio TORGO | 8 penutur disartrik dan 7 penutur kontrol; sekitar 23 jam | Linguistic Data Consortium, LDC2012S02 (2012) |
| Penutur UA-Speech dengan palsi serebral, semula berbanding yang didistribusikan saat ini | 19 berbanding 16 | Kim dkk., Interspeech 2008; University of Illinois |
| Rancangan rencana Speech Accessibility Project | 2.000 orang, 400 per etiologi | ClinicalTrials.gov NCT05889260 |
| SAP-240430 bagian pelatihan | 369 penutur, 290,35 jam | Zheng dkk., Interspeech 2025 Speech Accessibility Project Challenge |
| Subset 195 penutur Euphonia, porsi ALS berbanding Parkinson | 39,2% berbanding 10,8% | Google (Tobin dan Tomanek) 2021 |
| Penutur Euphonia non-Inggris, 2025 | 132 (Jepang 76, Spanyol 38, Prancis 14, Hindi 4) | Google (Martin dkk.), Frontiers in Language Sciences 2025 |
| TORGO, ucapan tipikal berbanding disartria berat, delapan sistem AI | Di bawah 5% berbanding di atas 51% WER | Alsayegh dan Masood, IJIS 2026 |
| UA-Speech, tingkat kesalahan karakter Whisper-Turbo zero-shot, kontrol berbanding disartrik | 9,3% berbanding 165,2% | de Groot dkk. (TU Delft) 2025 |
| WER USM pada ucapan terganggu berat, sebelum berbanding sesudah fine-tuning | 48,1 berbanding 31,3 | Google (Tobin dkk.) 2024 |
| Model yang dipersonalisasi, peningkatan WER relatif untuk ucapan ALS | 62%, dengan 71% peningkatan dari 5 menit data | Google (Shor dkk.), Interspeech 2019 |
| Kalimat Parkinson yang dibagi dengan penutur pelatihan, model LibriSpeech 960 jam berbanding model hasil fine-tuning data proyek | 45,39% berbanding 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson dkk.), JSLHR 2024 |
| Teks unik TORGO berbanding entri teks | 957 berbanding 16.394 | Hui dkk., arXiv 2024 |
| Anak AS usia 3 hingga 17 tahun dengan gangguan komunikasi atau menelan (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Disartria pada penderita penyakit Parkinson | 44% hingga 88% | ASHA Practice Portal, Dysarthria in Adults |
Metodologi dan Sumber
Kami menjalankan 17 pencarian dan membaca halaman dataset utama, catatan registri, artikel jurnal, atau pracetak di balik setiap angka. Tingkat kesalahan dilaporkan dalam notasi masing-masing sumber: WER untuk tingkat kesalahan kata, tingkat kesalahan karakter (CER) bila sumber menggunakannya (fine-tuning UA-Speech dan korpus Mandarin), dengan atau tanpa tanda persen sebagaimana dicetak oleh sumber. Angka yang berusia lebih dari tiga tahun ditandai pada bagiannya masing-masing sebagai data terbaru yang tersedia.
- Beranda Speech Accessibility Project (University of Illinois Beckman Institute), 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
- Katalog YorVoice University of York, catatan Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson dkk., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng dkk., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, halaman publikasi dan akses data Project Euphonia
- Jiang dkk. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin dkk. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin dan Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek dan Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor dkk. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 dan tulisan blog Google Research tentang personalisasi Euphonia, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim dkk., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 dan halaman distribusi UA-Speech University of Illinois
- Turrisi dkk., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang dkk., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh dan Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot dkk. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang dan Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi dan Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black, Vahratian dan 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
- Catatan data: ukuran Speech Accessibility Project dijelaskan dengan tiga cara. Halaman risetnya menyebut 1.500 jam dari sekitar 999 peserta, catatan katalog University of York menyebut sekitar 1.090 jam dari sekitar 1.130 peserta, dan beranda menghitung sekitar 2.000 orang yang telah mengirimkan rekaman hingga September 2025 (rekaman yang dikirim tidak sama dengan data yang dirilis dan ditranskripsikan); kami melaporkan ketiganya alih-alih memilih satu. Catatan ClinicalTrials.gov hanya mencantumkan penyakit Parkinson dan kondisi parkinsonian terkait, sehingga pendaftaran aktual sebanyak 485 tidak boleh dibaca sebagai total proyek. Makalah JSLHR menyebut set pelatihan paket pertama sebagai 190 penutur di bagian Metode dan 191 di bagian Hasil. Abstrak jurnal TORGO menyebut tujuh individu dengan gangguan bicara, sedangkan rilis LDC mencantumkan delapan penutur disartrik; kami menggunakan angka LDC. Abstrak makalah USM menyebut sekitar 1.000 jam ucapan terganggu dan kurang dari 1% data pelatihan, sedangkan tabel pelatihannya mencantumkan 1.158 jam. Makalah CDSD menjelaskan Bagian B sebagai 8 penutur di satu bagian dan 7 di bagian lain setelah satu penutur dikeluarkan karena kesalahan anotasi. Pada Tobin dan Tomanek, teks menyebut 90% penutur ringan mencapai target dengan 50 ujaran sementara tabel menunjukkan 93%. Angka 18% hingga 60% dari Microsoft dijelaskan sebagai peningkatan akurasi tanpa metrik atau set uji yang disebutkan. Kedua angka korpus Euphonia (2024 dan 2025) mencerminkan pertumbuhan, bukan konflik. Prevalensi anak: NIDCD melaporkan 7,2% untuk gangguan suara, bicara, atau bahasa saja, dibandingkan 7,7% dari NCHS yang juga menghitung menelan.
Terakhir diperbarui: 24 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika Speech Accessibility Project mempublikasikan paket data berikutnya beserta rilis pembagian pelatihan/uji.