Dipakai apa adanya, Whisper menghasilkan word error rate 84,6% untuk anak TK yang membaca perintah terskrip, dibandingkan 17,5% untuk siswa kelas empat pada tes yang sama (Singh, Sahidullah dan Kinnunen, Causal Analysis of ASR Errors for Children 2025). Word error rate (WER) adalah persentase kata yang digantikan, dihapus, atau disisipkan sebuah sistem dibandingkan transkrip manusia, sehingga nilainya bahkan bisa melebihi 100%. Keluarga model yang sama mencetak WER 25,00% pada anak-anak Amerika yang berbicara dengan tutor sains dan 5,40% pada ucapan dewasa yang dibacakan (Jain dkk., Interspeech 2023), dan kesenjangan itu mengikuti data pelatihan: korpus anak berbahasa Inggris terbesar yang terbuka memuat sekitar 470 jam (Linguistic Data Consortium, LDC2021S05), sedangkan Whisper-largeV3 dilatih dengan 1 juta jam (Fan dkk., Interspeech 2024). Usia hanyalah satu sumbu masalah; kesenjangan aksen dan dialek serta tingkat halusinasi mengikuti logika cakupan data yang serupa. Kami mengumpulkan data dari makalah Interspeech, ICASSP, dan WOCCI, Journal of the Acoustical Society of America, Linguistic Data Consortium, Frontiers in Education, dan Komisi Perdagangan Federal AS.
TL;DR
- WER Whisper zero-shot pada tes terskrip CSLU Kids: 84,6% di TK vs 17,5% di kelas 4 (Singh dkk., 2025).
- Whisper Large-V2 bawaan: WER 25,00% pada ucapan anak MyST vs 5,40% pada ucapan dewasa LibriTTS (Jain dkk., Interspeech 2023).
- Whisper large zero-shot: WER 43,9% untuk usia 4 hingga 7 tahun vs 13,4% untuk usia 8 hingga 10 tahun (Ying dkk., WOCCI 2025).
- Tingkat disfluensi anak adalah 10,1% vs 6,2% pada percakapan dewasa Switchboard (Tran dkk., Interspeech 2020).
- Whisper-largeV3 dilatih dengan 1 juta jam vs 133 jam data pelatihan anak MyST yang telah disaring (Fan dkk., Interspeech 2024).
- Hanya sekitar 45% dari 227.567 ujaran MyST yang ditranskripsi (Linguistic Data Consortium, LDC2021S05).
- Fine-tuning dengan 10 jam ucapan anak menurunkan WER Whisper Large-V2 pada PF-STAR dari 73,68% menjadi 2,88% (Jain dkk., Interspeech 2023).
- Koreksi kesalahan generatif menurunkan WER anak dari 30,5% menjadi 21,8%, penurunan relatif 28,5% (Balaji Shankar dkk., CHSER, Interspeech 2025).
- Sebuah sistem penyaringan membaca sepakat dengan penilai manusia pada kappa 0,16 untuk penggabungan fonem vs 0,72 untuk kosakata (Petscher dkk., Frontiers in Education 2026).
- Aturan COPPA yang diamendemen mencantumkan sidik suara sebagai informasi pribadi dan mensyaratkan audio dihapus segera setelah dipakai (FTC, COPPA Final Rule 2025).
1. Kesenjangan Anak vs Dewasa Tanpa Adaptasi
Angka utama untuk produk ucapan anak apa pun adalah skor zero-shot, yaitu hasil model yang dipakai sebagaimana dikirim, tanpa pelatihan tambahan pada rekaman anak. Whisper Large-V2 mencetak WER 25,00% pada ucapan anak MyST dan 73,68% pada anak-anak Inggris di korpus PF-STAR, dibandingkan 5,40% pada ucapan dewasa yang dibacakan, kira-kira 4,6 kali dan 13,6 kali tingkat dewasa (25,00 / 5,40 dan 73,68 / 5,40) dalam evaluasi yang sama (Jain dkk., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Data terbaru yang tersedia untuk perbandingan ini: 2023.
Model yang lebih baru mempersempit tetapi tidak menutup kesenjangan. Dalam tolok ukur 2024, model Canary dan Parakeet dari NVIDIA mengalahkan setiap ukuran Whisper pada ucapan anak meskipun set pelatihannya jauh lebih kecil, sehingga para penulis menyimpulkan bahwa kualitas data terkadang lebih penting daripada ukuran data (Fan, Balaji Shankar dan Alwan, Interspeech 2024). Rasio ini bertahan selama dua dekade: sebuah studi IEEE pada 2003 sudah melaporkan tingkat kesalahan anak dua hingga lima kali tingkat dewasa.
| Metrik | Nilai | Sumber |
|---|---|---|
| WER Whisper Large-V2 tanpa pelatihan anak: anak MyST vs ucapan dewasa terbaca LibriTTS | 25,00% vs 5,40% | Jain dkk., Interspeech 2023 |
| WER Whisper Large-V2 tanpa pelatihan anak: anak Inggris PF-STAR; ucapan terbaca CMU Kids | 73,68%; 12,69% | Jain dkk., Interspeech 2023 |
| WER zero-shot Whisper-largeV3: tes MyST vs tes OGI Kids | 12,6% vs 19,9% | Fan dkk., Interspeech 2024 |
| WER zero-shot Canary (1B) vs Parakeet-RNNT (1.1B) pada tes MyST; pada tes OGI | 9,5% vs 11,1%; 18,2% vs 16,7% | Fan dkk., Interspeech 2024 |
| WER zero-shot Whisper Medium.en: ucapan spontan CSLU Kids vs test-clean dewasa LibriSpeech | 31,85% vs 3,02% | Attia dkk., Kid-Whisper, AAAI/ACM AIES 2024 |
| Tingkat kesalahan pengenal yang dilatih dewasa pada anak vs dewasa | dua hingga lima kali lebih buruk | Potamianos dan Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Catatan konteks: dua angka Whisper pada MyST (25,00% dan 12,6%) bukanlah kontradiksi dalam kualitas model. Tolok ukur 2024 membuang ujaran dengan WER di atas 50% atau kurang dari 3 kata sebelum penilaian, yang dengan sendirinya menggeser hasil beberapa poin (lihat bagian 5).
2. Tingkat Kesalahan Menurut Kelompok Usia
“Anak-anak” bukanlah satu populasi. Pada tes terskrip CSLU Kids, Whisper zero-shot turun dari WER 84,6% di TK menjadi 37,5% di kelas 1 dan 17,5% di kelas 4, selisih 4,8 kali lipat (84,6 / 17,5) dalam satu set tes (Singh, Sahidullah dan Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Sebagian besar perbaikan terjadi hingga kelas 4; setelah itu kurva berhenti turun, dan WER Whisper di kelas 6 hingga 10 berada di atas titik terendahnya di kelas 4.
Tolok ukur ESPnet 2025 menemukan jurang yang sama dengan model berbeda. Whisper large zero-shot mencetak 43,9% untuk usia 4 hingga 7 tahun, lalu naik lagi dari 13,4% pada usia 8 hingga 10 tahun menjadi 18,6% pada usia 11 hingga 15 tahun, sementara model terbuka yang di-fine-tune pada ucapan anak tetap di bawah 10% di setiap kelompok (Ying dkk., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Penalti usia yang sama muncul pada verifikasi penutur (memeriksa apakah dua rekaman berasal dari orang yang sama), yang penting bagi login suara untuk akun anak apa pun.
| Metrik | Nilai | Sumber |
|---|---|---|
| WER Whisper zero-shot pada tes terskrip CSLU Kids: TK vs kelas 4 | 84,6% vs 17,5% | Singh dkk., 2025 |
| Tes yang sama: kelas 1; kelas 2; kelas 3 | 37,5%; 28,0%; 23,1% | Singh dkk., 2025 |
| Tes yang sama: kelas 10 | 22,4% | Singh dkk., 2025 |
| WER Whisper large zero-shot menurut usia: 4 hingga 7; 8 hingga 10; 11 hingga 15 | 43,9%; 13,4%; 18,6% | Ying dkk., WOCCI 2025 |
| WER OWSM v3.1 hasil fine-tuning pada ucapan anak menurut usia: 4 hingga 7; 8 hingga 10; 11 hingga 15 | 9,0%; 7,3%; 1,8% | Ying dkk., WOCCI 2025 |
| Equal error rate verifikasi penutur (persentase keputusan terima/tolak yang salah pada titik seimbang), usia 4 hingga 7 vs 11 hingga 15 | 13,2% vs 3,73% | Ying dkk., WOCCI 2025 |
| Ujaran anak dengan usia rata-rata 4,9 yang ditranskripsi benar sepenuhnya: Whisper large-v3 vs Google cloud ASR (2024) | 36,8% vs 9,6% | Janssens dkk., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Catatan pencilan: model MMS mencetak WER 193,3% pada kelas 6 dalam tes Singh dkk., karena menyisipkan jauh lebih banyak kata daripada yang diucapkan. WER di atas 100% adalah tanda penyisipan yang tak terkendali, bukan salah ketik.
3. Mengapa Ucapan Anak Mematahkan Model yang Dilatih Dewasa: Akustik dan Disfluensi
Dua mekanisme mendominasi. Pertama, suara itu sendiri adalah target yang bergerak. Sebuah studi terhadap 436 anak usia 5 hingga 17 tahun dan 56 orang dewasa menemukan bahwa durasi segmen baru mencapai tingkat dewasa sekitar usia 12 tahun, dengan variabilitas nada dan formant (resonansi yang membedakan vokal) membutuhkan sekitar 2 hingga 3 tahun lagi (Lee, Potamianos dan Narayanan, JASA 1999). Model yang disetel pada resonansi dewasa pada dasarnya sedang mendengarkan instrumen yang berbeda. Data terbaru yang tersedia: Lee, Potamianos dan Narayanan, 1999.
Kedua, anak-anak berbicara dengan cara berbeda. Penjelasan spontan mereka menunjukkan tingkat disfluensi dan kata pengisi yang lebih tinggi daripada percakapan dewasa, termasuk jauh lebih banyak ‘um’ dan lebih banyak kata yang terputus di tengah (Tran dkk., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Pemodelan kausal pada 2025 menempatkan usia dan jumlah kata dalam satu ujaran di puncak pendorong kesalahan, di atas derau latar dan kemampuan pengucapan. Ucapan yang menyimpang dari norma dewasa karena alasan klinis menghadapi jebakan yang sama, seperti ditunjukkan rangkuman data ucapan disartrik dan atipikal kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Penutur dalam studi akustik perkembangan | 436 anak usia 5 hingga 17 tahun; 56 orang dewasa | Lee, Potamianos dan Narayanan, JASA 1999 |
| Usia saat durasi segmen mencapai tingkat dewasa | sekitar 12 | Lee, Potamianos dan Narayanan, JASA 1999 |
| Waktu tambahan agar variabilitas nada dan formant dalam satu penutur mencapai rentang dewasa | sekitar 2 hingga 3 tahun | Lee, Potamianos dan Narayanan, JASA 1999 |
| Usia saat pola nada dan formant anak laki-laki dan perempuan mulai terpisah; terbentuk sepenuhnya | sekitar 11; sekitar 15 | Lee, Potamianos dan Narayanan, JASA 1999 |
| Tingkat disfluensi: anak vs percakapan dewasa Switchboard vs percakapan dewasa CallHome | 10,1% vs 6,2% vs 6,3% | Tran dkk., Interspeech 2020 |
| Tingkat kata pengisi ‘um’: anak vs dewasa Switchboard | 2,3% vs 0,5% | Tran dkk., Interspeech 2020 |
| Tingkat fragmen kata (kata yang terputus di tengah): anak vs dewasa Switchboard | 1,8% vs 0,5% | Tran dkk., Interspeech 2020 |
Catatan konteks: korpus disfluensi ini kecil (26 anak, sekitar 1,26 jam ucapan anak), dan makalahnya menyebut usia anak 4,8 hingga 7 di satu tempat dan 5 hingga 8 di tempat lain. Data terbaru yang tersedia: 2020.
4. Kelangkaan Data: Jam Ucapan Anak vs Set Pelatihan Model Fondasi
Ketimpangan ukurannya mencapai beberapa orde besaran. Whisper-largeV3 dilatih dengan 1 juta jam audio, sementara sebuah tolok ukur 2024 hanya memiliki 133 jam ucapan anak MyST yang telah disaring untuk fine-tuning, sehingga set anak setara dengan sekitar 0,0133% dari kumpulan pralatih tersebut (133 / 1.000.000) (Fan dkk., Interspeech 2024). Bahkan model Parakeet yang lebih ramping pun melihat 64.000 jam, sekitar 480 kali pecahan pelatihan MyST (64.000 / 133).
MyST sendiri hanya besar menurut standar ucapan anak. Katalog Linguistic Data Consortium mencantumkan sekitar 470 jam dari 1.371 siswa kelas 3 hingga 5, dikumpulkan antara 2008 dan 2017, dengan 102.433 dari 227.567 ujaran yang ditranskripsi (LDC2021S05, MyST Children’s Conversational Speech). Para pembuatnya menggambarkan korpus ini sekitar 400 jam dan mencatat betapa sulitnya memperoleh ucapan anak dalam skala besar (Pradhan, Cole dan Ward, LREC-COLING 2024). Anak yang lebih kecil dan bahasa lain jauh lebih sedikit: korpus Mandarin 2025 untuk usia 3 hingga 5 tahun memuat 41,25 jam (Zhou dkk., ChildMandarin 2025).
| Metrik | Nilai | Sumber |
|---|---|---|
| Data pralatih: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 jam | Fan dkk., Interspeech 2024 |
| Korpus MyST sebagaimana dikatalogkan | sekitar 470 jam; 1.371 siswa kelas 3 hingga 5; 10.496 sesi tutor | Linguistic Data Consortium, LDC2021S05 (2021) |
| Ujaran MyST dengan transkrip | 102.433 dari 227.567 (sekitar 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Korpus ChildMandarin, anak usia 3 hingga 5 tahun | 41,25 jam; 397 penutur | Zhou dkk., ChildMandarin 2025 |
| Korpus anak bahasa Inggris Britania PF-STAR, sebagaimana tercantum dalam survei korpus 2025 | 14,5 jam; 158 penutur usia 4 hingga 14 tahun | Zhou dkk., ChildMandarin 2025 |
| CMU Kids; ucapan terskrip OGI Kids | 9 jam, 76 penutur; 70 jam, 1.118 penutur | Ying dkk., WOCCI 2025 |
| Data pelatihan anak vs dewasa dalam studi transfer learning 2018 | 91,61 jam (usia 6 hingga 14 tahun) vs 205,82 jam (dewasa TED-LIUM) | Shivakumar dan Georgiou, arXiv 2018 |
Catatan konteks: jumlah jam MyST berbeda menurut sumber (sekitar 470 dalam katalog LDC, 393 atau sekitar 400 dalam makalah korpus, sekitar 240 jam yang ditranskripsi dalam tolok ukur 2024). Kami melaporkan setiap angka dengan sumbernya masing-masing.
5. Peningkatan dari Fine-Tuning dan Adaptasi
Fine-tuning berarti melanjutkan pelatihan model pada rekaman anak. Ini adalah perbaikan yang paling andal, dan peningkatannya terbesar di tempat model zero-shot paling buruk. Whisper Large-V2 turun dari WER 73,68% menjadi 2,88% pada anak Inggris PF-STAR setelah fine-tuning hanya dengan 10 jam ucapan PF-STAR (Jain dkk., Interspeech 2023). Pada ucapan percakapan MyST, Whisper-small turun dari 13,4% menjadi 9,3%, pengurangan relatif 30,6% ((13,4 - 9,3) / 13,4), dan modul adapter kecil yang memperbarui 1,29 juta parameter menyamai fine-tuning penuh sebesar 242 juta.
Teknik yang lebih baru mengejar beberapa poin terakhir. Menggabungkan hanya bobot atensi dari model yang berkaitan mencetak rekor MyST sebesar WER 8,69% untuk Whisper-small (Balaji Shankar dkk., Selective Attention Merging, ICASSP 2025), dan model koreksi teks yang dilatih dengan 200K pasangan keluaran ASR dan transkrip manusia mengurangi kesalahan pada empat korpus anak. Cara membersihkan set tes sama pentingnya dengan metodenya: membuang berkas dengan WER di atas 50% atau kurang dari 3 kata menggeser WER tes Whisper-Large-v1 pada MyST dari 26,2% menjadi 14,2%, tanpa perubahan apa pun pada modelnya (Attia dkk., Kid-Whisper, AIES 2024).
| Metrik | Nilai | Sumber |
|---|---|---|
| WER Whisper Large-V2 pada PF-STAR: sebelum vs sesudah fine-tuning dengan 10 jam ucapan anak | 73,68% vs 2,88% | Jain dkk., Interspeech 2023 |
| WER Whisper-small, zero-shot vs hasil fine-tuning: tes MyST; tes OGI Kids | 13,4% vs 9,3%; 25,4% vs 1,8% | Fan dkk., Interspeech 2024 |
| Parameter yang dilatih, penyetelan adapter vs fine-tuning penuh (keduanya WER 9,3% pada MyST) | 1,29 juta vs 242 juta | Fan dkk., Interspeech 2024 |
| WER Whisper Medium.en pada ucapan spontan CSLU Kids: zero-shot vs hasil fine-tuning pada MyST plus CSLU | 31,85% vs 16,53% | Attia dkk., Kid-Whisper, AIES 2024 |
| Whisper-small dengan penggabungan Selective Attention plus augmentasi data, WER MyST | 8,69% (pengurangan relatif hingga 14%) | Balaji Shankar dkk., ICASSP 2025 |
| Koreksi kesalahan generatif, WER pada empat korpus anak: sebelum vs sesudah | 30,5% vs 21,8% (28,5% relatif) | Balaji Shankar dkk., CHSER, Interspeech 2025 |
| Fine-tuning campuran anak dan dewasa vs model pralatih | WER lebih rendah hingga 5% absolut (21% relatif) | Graave dkk., Interspeech 2024 |
| Character error rate Whisper-small pada ucapan Mandarin anak usia 3 hingga 5 tahun: zero-shot vs hasil fine-tuning | 37,99% vs 17,45% | Zhou dkk., ChildMandarin 2025 |
Catatan pencilan: peningkatan tidak berpindah dengan mulus lintas aksen, usia, dan gaya bicara. Dalam studi 2023 yang sama, Whisper Medium mencetak 19,76% pada anak PF-STAR setelah fine-tuning pada ucapan MyST Amerika, dibandingkan 3,15% setelah fine-tuning pada PF-STAR itu sendiri.
6. Penilaian Membaca di Kelas: Ketika Tingkat Kesalahan Bertemu Keputusan
Dalam pendidikan, WER bukanlah metrik akhir. Tutor membaca harus memutuskan apakah anak membaca setiap kata dengan benar, sehingga transkrip bisa mencatat WER yang layak namun tetap melewatkan kesalahan yang perlu dilihat guru. Dalam tes membaca nyaring berbahasa Belanda dengan 71 anak usia 7 hingga 11 tahun, Whisper large-v2 tanpa fine-tuning mencapai koefisien korelasi Matthews (MCC, skor kesepakatan di mana 0 berarti kebetulan dan 1 berarti sempurna) sebesar .01 untuk mendeteksi kesalahan membaca, dibandingkan .63 untuk sistem Kaldi yang disesuaikan (Molenaar dkk., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Data terbaru yang tersedia: 2023.
Studi AS 2026 terhadap sebuah sistem verifikasi ucapan komersial menemukan pola yang sama menurut tugasnya (Petscher dkk., Frontiers in Education 2026). Kesepakatan dengan penilai manusia, diukur dengan kappa Cohen (kesepakatan di luar kebetulan, dari 0 hingga 1), paling tinggi untuk kosakata ekspresif dan paling rendah untuk penggabungan fonem, tugas yang paling kompleks secara fonologis dari ketiganya. Kecocokannya juga berbeda menurut kelompok siswa pada membaca kata, temuan yang penting bagi distrik mana pun yang memakai penyaringan otomatis untuk menentukan anak mana yang membutuhkan dukungan fonik.
| Metrik | Nilai | Sumber |
|---|---|---|
| Anak dalam studi membaca nyaring Belanda; rentang usia | 71; 7 hingga 11 | Molenaar dkk., Interspeech 2023 |
| Kesepakatan dengan penilaian manusia atas kesalahan membaca (MCC): sistem Kaldi-PM vs Whisper large-v2 | .63 vs .01 | Molenaar dkk., Interspeech 2023 |
| WER pada bacaan anak terhadap transkrip manual: sistem Kaldi-PM vs Whisper large-v2 | 5,2% vs 13,4% | Molenaar dkk., Interspeech 2023 |
| Anak TK dalam studi verifikasi ucapan AS | 429 dari 20 sekolah di tiga negara bagian | Petscher dkk., Frontiers in Education 2026 |
| Kappa antara sistem dan penilai manusia pada ambang 50: penggabungan fonem; kosakata ekspresif; membaca kata | 0,16; 0,72; 0,51 | Petscher dkk., Frontiers in Education 2026 |
| Persentase respons yang diklasifikasikan sama dengan penilai manusia pada ambang 50, ketiga tugas yang sama | 0,52; 0,87; 0,80 | Petscher dkk., Frontiers in Education 2026 |
| Kappa membaca kata pada ambang 80: siswa kulit hitam vs kulit putih | 0,25 vs 0,47 | Petscher dkk., Frontiers in Education 2026 |
Catatan konteks: Kaldi-PM bukan jalan pintas yang dapat diterapkan, karena daftar kosakatanya menggabungkan perintah bacaan dengan kata dari transkrip manual data tes. Anggap ini sebagai ukuran kemampuan sistem yang sangat dibatasi, dan baca angka 5,2% dengan mempertimbangkan pengaturan tersebut.
7. Aturan Privasi yang Membatasi Pengumpulan Ucapan Anak
Kesenjangan data pada bagian 4 sebagian merupakan hasil kebijakan. Aturan COPPA yang diamendemen, diterbitkan pada 22 April 2025, menambahkan pengenal biometrik ke dalam definisi informasi pribadi anak dan secara eksplisit menyebut sidik suara (FTC, COPPA Final Rule Amendments 2025). Pengecualian persetujuan orang tua untuk audio mencakup berkas yang berisi suara anak dan tidak ada informasi pribadi lain, hanya dipakai untuk menjawab permintaan anak dan segera dihapus sesudahnya, sehingga tidak menyisakan ruang di bawah pengecualian itu untuk menyimpan berkas sebagai data pelatihan.
Penegakan hukum mendukung teks tersebut. Pada 2023 FTC dan Departemen Kehakiman menuduh Amazon menyimpan rekaman Alexa anak-anak tanpa batas waktu; perintah yang diusulkan memuat denda perdata 25 juta dolar dan melarang penggunaan data suara yang tercakup untuk membangun atau meningkatkan produk data (siaran pers FTC, 31 Mei 2023). Para peneliti menanggapi dengan memindahkan pengenalan ke perangkat: model Whisper tiny.en hasil fine-tuning berjalan di Raspberry Pi dengan WER 15,9% pada MyST, dengan menyebut aturan privasi sebagai motivasinya (Dutta, Chandupatla dan Hansen, WOCCI 2025).
| Metrik | Nilai | Sumber |
|---|---|---|
| Usia yang dicakup COPPA | anak di bawah 13 tahun | Siaran pers FTC, 2023 |
| Aturan COPPA yang diamendemen: suara Komisi; komentar publik yang ditinjau | 5-0; hampir 300 | Siaran pers FTC, 16 Januari 2025 |
| Aturan yang diamendemen: penerbitan di Federal Register; jangka waktu kepatuhan penuh | 22 April 2025; satu tahun sejak penerbitan | FTC, COPPA Final Rule Amendments 2025 |
| Pengenal biometrik yang disebut sebagai informasi pribadi | sidik suara, bersama sidik jari, templat wajah, dan pola gaya berjalan | FTC, COPPA Final Rule 2025 |
| Kasus Amazon Alexa: denda perdata; anak yang menggunakan Alexa melalui profil mereka sendiri | 25 juta dolar; lebih dari 800.000 | FTC, siaran pers Amazon Alexa dan blog bisnis, 31 Mei 2023 |
| Whisper tiny.en di perangkat pada Raspberry Pi: WER MyST; dengan penyaringan data; real-time factor (waktu pemrosesan dibagi panjang audio) | 15,9%; 11,8%; 0,23 hingga 0,41 | Dutta dkk., WOCCI 2025 |
Catatan konteks: kebijakan penegakan FTC 2017 tentang rekaman suara menetapkan logika retensi singkat yang sama, hanya mengizinkan audio yang dikumpulkan sebagai pengganti kata tertulis dan segera dihapus (pernyataan kebijakan FTC, 2017). Data terbaru yang tersedia tentang kasus Amazon: 2023.
Ringkasan: Word Error Rate Pengenalan Ucapan Anak dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| WER Whisper zero-shot pada tes terskrip CSLU Kids: TK vs kelas 4 | 84,6% vs 17,5% | Singh dkk., 2025 |
| WER Whisper Large-V2 tanpa pelatihan anak: anak MyST vs ucapan dewasa terbaca | 25,00% vs 5,40% | Jain dkk., Interspeech 2023 |
| WER Whisper large zero-shot: usia 4 hingga 7 vs 8 hingga 10 | 43,9% vs 13,4% | Ying dkk., WOCCI 2025 |
| Tingkat kesalahan verifikasi penutur: usia 4 hingga 7 vs 11 hingga 15 | 13,2% vs 3,73% | Ying dkk., WOCCI 2025 |
| Anak dengan usia rata-rata 4,9: transkripsi benar sepenuhnya, Whisper large-v3 vs Google | 36,8% vs 9,6% | Janssens dkk., Technological Advances in Human-Robot Interaction 2024 |
| Pengenal yang dilatih dewasa pada anak vs dewasa | dua hingga lima kali lebih buruk | Potamianos dan Narayanan, IEEE TSAP 2003 |
| Usia saat durasi segmen anak mencapai tingkat dewasa | sekitar 12 | Lee, Potamianos dan Narayanan, JASA 1999 |
| Tingkat disfluensi: anak vs dewasa Switchboard | 10,1% vs 6,2% | Tran dkk., Interspeech 2020 |
| Data pralatih, Whisper-largeV3 vs set pelatihan anak MyST yang disaring | 1.000.000 vs 133 jam | Fan dkk., Interspeech 2024 |
| Ukuran korpus MyST | sekitar 470 jam; 1.371 siswa | Linguistic Data Consortium, LDC2021S05 |
| Korpus anak Mandarin, usia 3 hingga 5 tahun | 41,25 jam; 397 penutur | Zhou dkk., ChildMandarin 2025 |
| Whisper Large-V2 pada PF-STAR: sebelum vs sesudah fine-tuning 10 jam | 73,68% vs 2,88% | Jain dkk., Interspeech 2023 |
| WER Whisper-small terbaik yang dilaporkan pada MyST (penggabungan atensi plus augmentasi) | 8,69% | Balaji Shankar dkk., ICASSP 2025 |
| Koreksi kesalahan generatif pada empat korpus anak | WER 30,5% menjadi 21,8% | Balaji Shankar dkk., CHSER, Interspeech 2025 |
| Kesepakatan deteksi kesalahan membaca (MCC): sistem Kaldi-PM vs Whisper large-v2 | .63 vs .01 | Molenaar dkk., Interspeech 2023 |
| Kappa penyaringan TK: penggabungan fonem vs kosakata ekspresif | 0,16 vs 0,72 | Petscher dkk., Frontiers in Education 2026 |
| Kasus data suara anak Amazon Alexa, denda perdata | 25 juta dolar | FTC, 2023 |
Metodologi dan Sumber
Kami menjalankan 21 pencarian web dan membaca makalah utama, entri katalog, artikel jurnal, atau teks regulasi di balik setiap angka di atas. Nilai WER dilaporkan persis seperti yang dicetak setiap makalah; set tes, normalisasi teks, dan penyaringan berbeda antarstudi, jadi bandingkan angka dalam satu baris atau satu studi, bukan lintas studi. Angka yang berusia lebih dari tiga tahun ditandai di bagiannya masing-masing sebagai data terbaru yang tersedia.
- Singh, Sahidullah dan Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (diajukan ke Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran dan Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar dan Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying dkk., Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia dkk., Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens dkk., Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos dan Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos dan Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran dkk., Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole dan Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou dkk., ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar dan Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar dkk., Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar dkk., CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave dkk., Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar dkk., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher dkk., Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla dan 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 Januari 2025 dan 16 CFR Part 312: COPPA Final Rule Amendments
- FTC dan DOJ, siaran pers Amazon Alexa, 31 Mei 2023 dan blog bisnis FTC tentang kasus Alexa
- Catatan data: (1) hasil Whisper zero-shot pada MyST berkisar dari sekitar 12,5% hingga 25% tergantung apakah set tes disaring, sehingga tolok ukur 2023 dan 2024 tidak dapat dibandingkan secara langsung. (2) Ukuran MyST dilaporkan sekitar 470 jam (LDC), 393 atau sekitar 400 jam (makalah korpus), dan sekitar 240 jam yang ditranskripsi (tolok ukur 2024). (3) Hasil per tingkat kelas dari Singh dkk. masih berupa pracetak, dan makalah menggambarkan MyST sebagai kelas 3 hingga 5 di satu tempat dan kelas 5 hingga 8 di tempat lain. (4) Tolok ukur ESPnet menisbahkan WER rata-rata terbaiknya kepada Whisper-small di satu bagian dan Whisper medium di bagian lain. (5) Pengurangan 13,3% pada abstrak CHSER untuk sistem yang sudah di-fine-tune hanya berlaku untuk Whisper Tiny; teks memberikan rentang 9% hingga 13,3%. (6) Makalah Molenaar dkk. mencetak MCC Kaldi-PM sebagai .62 dalam teks hasil dan .63 di tempat lain (kami memakai .63), dan tabelnya menunjukkan Kaldi-MO, yang kosakatanya hanya berasal dari transkrip tes, sebesar .65. (7) Studi Frontiers mengevaluasi satu sistem komersial, sehingga angka kesepakatannya tidak boleh digeneralisasi ke semua alat membaca. (8) Beberapa angka dasar (1999, 2003, 2020, 2023) ditandai sebagai data terbaru yang tersedia; makalah ICASSP 2027 diperkirakan akan memperbarui angka tolok ukur.
Terakhir diperbarui: 31 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika prosiding ICASSP 2027 dipublikasikan.