Speech Accessibility Projectが始まった時点で、非定型発話の最大のデータベースに含まれていたのは脳性麻痺のある16人だったが、2025年9月末までに約2,000人の参加者が同プロジェクトに録音を提出した(Speech Accessibility Project、2025年および2026年)。もう一つの大規模コーパスであるGoogleのProject Euphoniaは、2025年2月までに約3,000人の話者による1.5百万件を超える発話に達したが、外部のチームには公開されていない(Martinら、Frontiers in Language Sciences 2025年;Google Project Euphonia)。データが増えても、この格差はまだ解消されていない。8つのAIシステムを対象とした2026年のベンチマークでは、通常の音声の単語誤り率(WER、システムが誤る単語の割合)は5%を下回ったが、重度の運動障害性構音障害(以下「構音障害」)ではすべてのシステムで51%を超えた(AlsayeghとMasood、International Journal of Intelligent Systems 2026年)。当社は、イリノイ大学ベックマン研究所のSpeech Accessibility Project、Google Research、Linguistic Data Consortium、NIDCD、ASHA、そして十数本の査読付き論文からデータを集約した。当社の音声認識のアクセントバイアス統計では、これらの誤りが人種、方言、アクセントによる格差とどう比較されるかを扱っている。本稿ではデータセットそのものを見る。規模はどれくらいか、誰が含まれているか、そして誤り率に何をもたらすか、という点である。
主なポイント
- 2025年9月末までに約2,000人がSpeech Accessibility Projectに録音を提出した(Speech Accessibility Project、2026年)
- Project Euphoniaは2025年2月時点で、約3,000人の話者による1.5百万件を超える発話を保有しており、Googleは社外に共有していない(Martinら、Frontiers in Language Sciences 2025年)
- 2012年以来の標準ベンチマークであるTORGOには、構音障害のある話者8人と約23時間の音声が含まれる(Linguistic Data Consortium、LDC2012S02)
- UA-Speechは2008年に脳性麻痺のある話者19人を録音し、現在の配布版には16人が残っている(イリノイ大学、UA-Speech 2008年)
- Speech Accessibility Projectでは、パーキンソン病、脳性麻痺、ALS、ダウン症候群、脳卒中のそれぞれで400人の参加者が計画されていた(ClinicalTrials.gov NCT05889260)
- Euphoniaの話者195人の研究用サブセットでは、ALSの話者が39.2%を占め、パーキンソン病は10.8%だった(TobinとTomanek、Google 2021年)
- TORGOでは、8つのAIシステムすべてが重度の構音障害でWER 51%を超えた(AlsayeghとMasood、IJIS 2026年)
- UA-SpeechにおけるWhisper-Turboのゼロショット文字誤り率は、対照群の話者で9.3%、構音障害のある話者で165.2%だった(de Grootら、TU Delft 2025年)
- GoogleのUSMを障害音声でファインチューニングすると、重度音声のWERが48.1から31.3に下がった(Tobinら、Google Research 2024年)
- 個人適応モデルはALSのWERを相対的に62%改善し、その改善の71%は5分間のデータによるものだった(Shorら、Interspeech 2019年)
- TORGOにはテキスト16,394件の中に固有のテキストが957件しかない(Huiら、2024年)
- 構音障害はパーキンソン病の人の44%から88%にみられる(ASHA Practice Portal、Dysarthria in Adults)
1. 二大コーパス:Speech Accessibility ProjectとProject Euphonia
障害のある音声のデータは、広く使われている読み上げ音声のベンチマークであるLibriSpeechに匹敵する規模で存在するようになったが、二つの大規模コレクションのうち公開されているのは一つだけである。2025年9月末までに約2,000人の参加者がSpeech Accessibility Projectに録音を提出しており、同プロジェクトはそのデータを約65の組織が利用していると述べている。GoogleのEuphoniaコーパスは話者数ではより大きいが、プロジェクトのページには、このデータセットは外部のチームや企業には提供されていないと明記されている(Google、Project Euphonia)。
実際的な意味は、障害音声認識のオープンな研究が、ほぼ一つの門番を通じて行われているということである。Speech Accessibility Projectはデータ利用契約(誰が何のために録音を使えるかを定めた署名入りの契約)に基づいてデータを公開しており、この契約には申請組織による2つの署名が必要で、有効期間は最長3年である(Speech Accessibility Project、Conduct Researchのページ)。Euphoniaの成長は、2024年の1.2百万件の発話から2025年の1.5百万件超へと進んだが、それはGoogleの内部にとどまる。
| 指標 | 値 | 出典 |
|---|---|---|
| 2025年9月末時点でSpeech Accessibility Projectに録音を提出した参加者 | 約2,000人 | Speech Accessibility Project、ホームページ 2026年 |
| Speech Accessibility Projectのデータパッケージ、カタログの説明 | 約1,130人の参加者による約1,090時間の音声;5つの疾患 | ヨーク大学YorVoiceカタログ、Speech Accessibility Projectの記録 |
| Speech Accessibility Projectの研究利用ページ | 1,500時間の録音音声;約999人の参加者;データを利用している約65の組織 | Speech Accessibility Project、Conduct Researchのページ 2026年 |
| Project Euphoniaコーパス、2025年2月 | 約3,000人の話者による1.5百万件を超える発話 | Google (Martinら)、Frontiers in Language Sciences 2025年 |
| Project Euphoniaコーパス、2024年 | 2,000人を超える話者による1.2百万件の発話 | Google (Jiangら)、Interspeech 2024年 |
| 人手で確認・修正された書き起こしがあるEuphoniaの録音 | 352,130件(コーパスの29%) | Google (Jiangら)、Interspeech 2024年 |
| 発話特性のラベルが付いたEuphoniaの話者 | 話者の75%超、40種類を超えるラベル | Google (Jiangら)、Interspeech 2024年 |
背景:規模の比較として、読み上げられたオーディオブックから作られたLibriSpeechは、約1,000時間のコーパスである(OpenSLR、LibriSpeech)。Speech Accessibility Projectの二つの説明は一致しない(プロジェクト自身のページでは時間は多いが参加者は少ない)ため、データウォッチの注記に記録している。Euphoniaの数値はJiangらとMartinらによる。
2. 旧来のコーパス:TORGO、UA-Speech、小規模データの時代
10年以上にわたり、構音障害音声認識はごく少数の話者でベンチマークされてきた。TORGOには、構音障害のある話者8人(男性5人、女性3人)と対照群の話者7人が含まれ、2008年から2010年にトロントで録音された約23時間の英語音声で構成される。 イリノイ大学で録音されたUA-Speechは、脳性麻痺のある話者19人を対象とし、各話者が765語の単語を単独で読み上げた(Kimら、Interspeech 2008年)。どちらかのコーパスで最先端と報告されたモデルは、実質的に、一般的な教室の人数より少ない人々でテストされたことになる。
コーパスは時間とともに縮小し、断片化もしていく。UA-Speechは現在、元の話者19人のうち16人分を配布している。3人が許諾を撤回したか、データが破損していたためで、ライセンスは商用利用を禁じている(イリノイ大学、UA-Speech)。英語以外でも状況は似ており、イタリア語のコマンドコーパスと北京語(中国語)のコーパスは、それぞれ数十人の話者で構成されている。
| 指標 | 値 | 出典 |
|---|---|---|
| TORGOの話者 | 構音障害のある話者8人(脳性麻痺またはALS)と対照群7人 | Linguistic Data Consortium、TORGO LDC2012S02 (2012年) |
| TORGOの音声とリリース | 約23時間、2008年から2010年に録音;2012年1月19日リリース | Linguistic Data Consortium、TORGO LDC2012S02 (2012年) |
| TORGOの読み上げ素材 | YorkstonとBeukelmanによる162文、TIMITから派生した460文、さらに舌と唇の動きの記録(電磁調音法) | Linguistic Data Consortium、TORGO LDC2012S02 (2012年) |
| 脳性麻痺のあるUA-Speechの話者、当初と現在の配布版 | 19人と16人 | Kimら、Interspeech 2008年;イリノイ大学、UA-Speechのページ |
| UA-Speechの語彙と録音環境 | 話者1人あたり765語の単独単語(うち300語は異なる稀な単語);8マイクのアレイ | Kimら、Interspeech 2008年 |
| Speech Accessibility Project開始時点での非定型発話の最大のデータベース | 脳性麻痺のある16人 | Speech Accessibility Project、Microsoft Azureの記事 2025年 |
| EasyCall(イタリア語) | 構音障害のある話者31人と健常な話者24人による21,386件の録音 | Turrisiら、Interspeech 2021年 |
| CDSD(北京語) | 44人の話者による133時間 | Wangら、Chinese Dysarthria Speech Database (arXiv v2、2025年) |
入手可能な最新データ:TORGO(LDC、2012年)、UA-Speech(Kimら、2008年)、EasyCall(Interspeech 2021年)はいずれも3年以上前のものだが、依然としてほとんどの論文が報告に使うコーパスである。北京語のCDSD論文は、133時間の内訳を音声124時間と映像9時間とし、音声80時間は、各10時間ずつ録音された8人の話者だけから得られたとしている。
3. データに含まれているのは誰か:病因、重症度、言語
大規模コーパスはどれも、最初に募集しやすかった人々に偏る。Speech Accessibility Projectは、5つの病因(発話の違いの根底にある医学的原因)ごとに400人、合計2,000人を想定して設計された。パーキンソン病、ALS、脳性麻痺、ダウン症候群、脳卒中である(ClinicalTrials.gov NCT05889260)。最初のデータパッケージにはパーキンソン病の話者しか含まれておらず、主に2023年に録音された2024年4月のチャレンジ版も、依然としてその話者が大半を占めていた(Zhengら、Interspeech 2025 Challenge)。この集団の臨床面については、当社のパーキンソン病の発話・音声治療統計で扱っている。
Euphoniaの偏りは逆の方向、つまりALSとより軽度の音声に向いている。話者195人の研究用サブセットでは、ALSが話者の39.2%を占め、4分の1が重度と評価された。Speech Accessibility Projectの最初のパッケージで評価された録音の大半は、明瞭度評価で最も障害の軽い側に位置しており、これは重要である。大半が軽度の音声からなるデータセットは、モデルの平均を実際よりよく見せるからである。
| 指標 | 値 | 出典 |
|---|---|---|
| Speech Accessibility Projectの計画設計 | 2,000人、病因ごとに400人、1.2百万件の音声サンプル(1人あたり600件) | ClinicalTrials.gov NCT05889260、Speech Accessibility Projectの記録 |
| 登録記録における実際の登録数(パーキンソン病および関連するパーキンソニズムの状態を記載) | 参加者485人;研究は2025年7月31日に完了 | ClinicalTrials.gov NCT05889260、Speech Accessibility Projectの記録 |
| SAP-240430チャレンジ版、学習用分割 | 話者369人、発話131,420件、290.35時間 | Zhengら、Interspeech 2025 Speech Accessibility Project Challenge |
| SAP-240430の開発用およびテスト用分割 | Dev 話者55人(43.56時間);Test1 話者50人(42.16時間);Test2 話者50人(38.77時間) | Zhengら、Interspeech 2025 Speech Accessibility Project Challenge |
| 最初のデータパッケージの募集、登録者と承認者と録音者 | 746人と283人と253人 | Speech Accessibility Project (Hasegawa-Johnsonら)、JSLHR 2024年 |
| 最初のデータパッケージ、1から7の尺度での明瞭度評価(1 = 最も障害が軽い) | 評価された録音の76%が1;1.5%が5から7 | Speech Accessibility Project (Hasegawa-Johnsonら)、JSLHR 2024年 |
| Euphoniaの話者195人のサブセット、病因別 | ALS 39.2%;脳性麻痺 13.4%;パーキンソン病 10.8%;難聴 5.2%;運動失調 3.1% | Google (TobinとTomanek)、Personalized ASR on Small Disordered Speech Datasets 2021年 |
| Euphoniaの話者195人のサブセット、重症度別 | 通常 7.7%;軽度 35.4%;中等度 31.8%;重度 25.1% | Google (TobinとTomanek)、Personalized ASR on Small Disordered Speech Datasets 2021年 |
背景:言語の網羅性は最も薄い次元である。Speech Accessibility Projectの最初のパッケージの参加者は全員、米国英語を母語として報告しており(Hasegawa-Johnsonら、JSLHR 2024年)、GoogleのEuphoniaのページは、Speech Accessibility Projectのプログラムが現時点では英語のみであることを記している。Euphoniaの4言語への拡大は、2025年までに話者132人に達した。日本語76人、スペイン語38人、フランス語14人、ヒンディー語4人である(Martinら、Frontiers in Language Sciences 2025年)。ALSのある人々も、発話が変化するなかで同じ格差に直面しており、当社のALS球麻痺症状による発話低下の統計で経時的に追跡している。
4. 構音障害音声における単語誤り率の格差
既製の認識器は、軽度の構音障害についてはほぼ解決に近いが、重度の側では依然として失敗する。TORGOでWhisper large-v3、Deepgram Nova-3、GPT-4o、Gemini 2.5 Proを含む8システムを対象とした2026年のベンチマークでは、重度の構音障害はすべてのシステムでWER 51%を超え、一方、上位システムは軽度の構音障害でおよそ1%から2%だった(AlsayeghとMasood、IJIS 2026年)。マルチモーダル大規模言語モデルは、デフォルト設定では従来型の認識器に対する優位性を示さなかった。
失敗を予測する変数は、モデルのブランドではなく重症度である。Google自身のベースラインは、読み上げ文によるテストセットで、軽度の音声の10.7 WERから重度の音声の48.1まで上昇する(Tobinら、Google Research 2024年)。UA-Speechでは、ゼロショット(話者への適応を一切行わない使い方)のWhisper-Turboの文字誤り率が100%を超えたが、これは、モデルが参照テキストに含まれる以上の誤った文字、つまり存在しない単語を含めて出力した場合に起こる。
| 指標 | 値 | 出典 |
|---|---|---|
| TORGO、商用およびマルチモーダルAI 8システム、通常の音声と重度の構音障害 | WER 5%未満と、すべてのシステムでWER 51%超 | AlsayeghとMasood、International Journal of Intelligent Systems 2026年 |
| TORGO、軽度の構音障害、上位システム | WERおよそ1%から2% | AlsayeghとMasood、International Journal of Intelligent Systems 2026年 |
| 重度の構音障害、デフォルトのプロンプトと逐語書き起こしのプロンプト | GPT-4o 60.1%から52.9%;GPT-4o Mini 66.0%から約55% | AlsayeghとMasood、International Journal of Intelligent Systems 2026年 |
| UA-Speech、Whisper-Turboのゼロショット文字誤り率、対照群の話者と構音障害のある話者 | 9.3%と165.2% | de Grootら (TU Delft)、Diffusion-Based Speech Enhancement for Dysarthric Speech 2025年 |
| Euphoniaの読み上げ文によるテストセット、重症度別のUSMベースラインWER | 軽度 10.7;中等度 29.5;重度 48.1 | Google (Tobinら)、Towards a Single ASR Model That Generalizes to Disordered Speech 2024年 |
| パーキンソン病のテストセット(すべての読み上げ文)、通常の読み上げ音声のみで学習したモデル | LibriSpeech 100時間:WER 45.15%;LibriSpeech 960時間:WER 38.76% | Speech Accessibility Project (Hasegawa-Johnsonら)、JSLHR 2024年 |
| 初期状態のWERがホームオートメーションの目標15%を満たした話者、全話者と重度の話者 | 35%と10% | Google (TobinとTomanek)、Personalized ASR on Small Disordered Speech Datasets 2021年 |
外れ値:GPT-4oが逐語書き起こしのプロンプトで改善したことは、重度の音声に対するマルチモーダルモデルの誤りの一部が、聞き間違いだけでなく、発話内容の言い換えから生じていることを示している。著者らは、Geminiモデルは同じプロンプトから一貫した改善を得られなかったと報告している。UA-Speechの数値はde Grootらによるもので、ゼロショット条件における構音障害のある話者の結果は、明瞭度グループ別ではなく集計値としてのみ報告されている。
5. 個人適応モデルとファインチューニング済みモデルの効果
適切なデータを少量加えるほうが、どんなアーキテクチャの変更よりも誤り率を大きく動かす。個人適応モデルはALSの話者でWERを相対的に62%改善し、その改善の71%はわずか5分の学習データによるものだった(Shorら、Interspeech 2019年)。これらのモデルは、ALSの話者67人、約36時間の音声で学習された(Google Researchブログ、2019年)。
より新しい成果は、単一の共有モデルがその効果の多くを吸収できることである。1,158時間の障害音声でファインチューニングしたGoogleのUSMは、ベースラインと話者別モデルとの差の64%を埋め、MicrosoftはSpeech Accessibility ProjectのデータによってAzure AI Speechで、話者の障害に応じて18%から60%の精度向上があったと報告している。限界は依然として重症度である。ファインチューニング済みモデルの重度音声のWER 31.3は、同じ表にある軽度音声の7.3の4倍を超える(31.3を7.3で割ると4.3)。
| 指標 | 値 | 出典 |
|---|---|---|
| 個人適応モデルによるWERの相対的改善、ALSの音声とアクセントのある音声 | 62%と35% | Google (Shorら)、Interspeech 2019年 |
| 個人適応後のALS話者のWER、メッセージバンクのフレーズ、軽度とより重い構音障害 | 10%と20% | Google (Shorら)、Interspeech 2019年 |
| 発話50件(3から4分)と発話250件(18から20分)でホームオートメーションの目標WER 15%に達した話者 | 63%と79% | Google (TobinとTomanek)、Personalized ASR on Small Disordered Speech Datasets 2021年 |
| 障害音声でファインチューニングしたUSM、重症度別のWERの前後 | 軽度 10.7から7.3;中等度 29.5から19.6;重度 48.1から31.3 | Google (Tobinら)、Towards a Single ASR Model That Generalizes to Disordered Speech 2024年 |
| USMのファインチューニング、読み上げ文の音声と自発的な会話音声での相対的改善 | 33%と26% | Google (Tobinら)、Towards a Single ASR Model That Generalizes to Disordered Speech 2024年 |
| Speech Accessibility Projectのデータを用いたMicrosoft Azure AI Speechの向上 | 18%から60%、話者の障害に応じて | Speech Accessibility Project、Microsoft Azureの記事 2025年 |
| 北京語CDSDのテスト文字誤り率、CDSDのみで学習した場合とWenetSpeechで事前学習してからファインチューニングした場合 | 24.9%と16.4% | Wangら、Chinese Dysarthria Speech Database (arXiv v2、2025年) |
| UA-Speech、明瞭度グループ別のファインチューニング済みWhisper-Turboの文字誤り率 | 非常に低い 64.4%;低い 44.8%;中程度 40.1%;高い 30.2% | de Grootら (TU Delft)、Diffusion-Based Speech Enhancement for Dysarthric Speech 2025年 |
背景:重度の話者は、自分のデータをすべて使ってもなお最も難しいグループである。Euphoniaの個人適応の研究では、重度の話者の69%が全録音を使ってホームオートメーションの目標15%に達したのに対し、軽度の話者では99%だった(TobinとTomanek、2021年)。Speech Accessibility Projectの責任者は、データセットの一部で学習したことで、パーキンソン病の人の誤り率がほぼ半分に下がったと述べている(Speech Accessibility Project、データ共有の発表 2024年)。話者別の個人適応に関する入手可能な最新データ:Shorら(2019年)とTobinとTomanek(2021年)。
6. ベンチマークの落とし穴:読み上げ文の重複、録音アーティファクト、ラベルノイズ
読み上げ文を繰り返す小規模コーパスは、公表された精度を実際の利用よりもよく見せる。TORGOにはテキスト16,394件の中に固有のテキストが957件しかなく、構音障害のある話者8人についての話者別の読み上げ文の重複は95.7%から100%に及ぶ(Huiら、2024年)。著者らが、どの読み上げ文も学習とテストの両方に現れないように分割を作り直すと、軽度の話者についてwav2vec2モデルのWERは3.17%から45.21%に上昇した。モデルは、話者ではなく文のリストを学習してしまうことがある。
同じ効果は最新のコーパスにも現れる。学習用の話者も読んだ読み上げ文では、Speech Accessibility Projectのファインチューニング済みモデルがWER 5.18%を記録しており、論文が共通の読み上げ文と共通でない読み上げ文を別々に報告しているのはそのためである。録音条件が二つ目の罠である。Schuら(2022年)は、最先端の構音障害分類器の大半が、UA-SpeechとTORGOの発話のない区間でも同等かそれ以上の成績を示したことを見いだした。つまり、それらは発話ではなく録音環境を検出している可能性がある。
| 指標 | 値 | 出典 |
|---|---|---|
| TORGOの固有テキストとテキスト総数 | 957件と16,394件 | Huiら、Enhancing AAC Software for Dysarthric Speakers、arXiv 2024年 |
| TORGOの話者別の読み上げ文の重複、構音障害のある話者8人 | 95.7%から100% | Huiら、Enhancing AAC Software for Dysarthric Speakers、arXiv 2024年 |
| wav2vec2のWER、重度の話者M04、元の分割と重複なしの分割 | 64.50%と93.75% | Huiら、Enhancing AAC Software for Dysarthric Speakers、arXiv 2024年 |
| wav2vec2のWER、軽度の話者M03、元の分割と重複なしの分割 | 3.17%と45.21% | Huiら、Enhancing AAC Software for Dysarthric Speakers、arXiv 2024年 |
| 学習用の話者と共通するパーキンソン病の読み上げ文、LibriSpeech 960時間で学習したモデルとプロジェクトのデータでファインチューニングしたモデル | WER 45.39%と5.18% | Speech Accessibility Project (Hasegawa-Johnsonら)、JSLHR 2024年 |
| Euphoniaの書き起こしレビュー、話者ごとに標準化された書き起こしと実際に単語が変更された発話 | 平均72%と5%未満 | Google (Jiangら)、Interspeech 2024年 |
| Euphoniaの自動無音声フィルター、フラグが付いた録音のうち実際に発話を含んでいた割合(偽省略率) | 47.7% | Google (Jiangら)、Interspeech 2024年 |
| 障害音声でファインチューニングしたUSM、通常の音声に対するLibriSpeech CleanのWER | 2.4、テストしたデータ重みでは変化なし | Google (Tobinら)、Towards a Single ASR Model That Generalizes to Disordered Speech 2024年 |
背景:Euphoniaのラベルノイズは大半が表面的なものだった。修正の約95%は句読点、大文字小文字、その他の正規化だったからである。より大きなリスクは、有効だが小さな声やゆっくりした発話を自動フィルターが捨ててしまうことで、データセットが最も必要とする話者をまさに排除してしまう。USMの結果は、よくある懸念に答えている。障害音声を加えても、著者らがテストした重みでは通常の音声の精度は低下しなかった。
7. 有病率の背景:これらのデータセットが対象とする人々
上記のコーパスがカバーするのは数千人の話者だが、発話に違いのある人々の数は数百万人に上る。2012年には、米国の3歳から17歳の子どもの7.7%が過去12か月にコミュニケーションまたは嚥下の障害を抱えており、発話の問題が最も多く5.0%だった(NCHS Data Brief No. 205)。同じ年に介入サービスを受けたのは、そうした子どもの55.2%にすぎなかった。
成人では、構音障害は稀な障害ではなく、一般的な神経疾患によくみられる特徴である。ASHAのレビューでは、パーキンソン病の人の44%から88%、急性期の脳卒中の人の22%から58%にみられるとされており(ASHA Practice Portal、Dysarthria in Adults)、代表性のあるデータセットが反映すべきなのは、便宜的標本の構成ではなくこれらの範囲である。吃音などの流暢性障害は別の集団を加えるもので、当社の吃音の人口統計で紹介している。
| 指標 | 値 | 出典 |
|---|---|---|
| 過去12か月にコミュニケーションまたは嚥下の障害があった米国の3歳から17歳の子ども;発話の問題 | 7.7%;5.0% | NCHS Data Brief No. 205 (2015年、2012年NHISデータ) |
| 年齢別の有病率、3歳から6歳と11歳から17歳 | 11.0%と4.9% | NCHS Data Brief No. 205 (2015年、2012年NHISデータ) |
| 過去12か月に介入サービスを受けた障害のある子ども | 55.2% | NCHS Data Brief No. 205 (2015年、2012年NHISデータ) |
| 過去12か月に声の問題を報告した米国の成人 | 7.6%(約17.9百万人) | NIDCD、Quick Statistics About Voice, Speech, and Language |
| 吃音のある米国人;失語症とともに生きる米国人 | 3百万人超(約1%);約2百万人、年間の新規症例は約180,000件 | NIDCD、Quick Statistics About Voice, Speech, and Language |
| 構音障害の割合、パーキンソン病;多発性硬化症;急性期の脳卒中;急性期から亜急性期の外傷性脳損傷 | 44%から88%;40%から51%;22%から58%;約30%から86% | ASHA Practice Portal、Dysarthria in Adults |
| 構音障害の割合、ハンチントン病;ALSなどの神経筋疾患 | 78%から93%;26%から62% | ASHA Practice Portal、Dysarthria in Adults |
| 聴覚、発話、言語に困難があり、スティグマに直面したと報告した米国の成人 | 調査対象1,004人の65% | ASHA-YouGov National Poll 2024年 |
入手可能な最新データ:子どもの有病率の数値は、2015年に公表された2012年の全国健康面接調査(NHIS)によるもので、NIDCD自身のまとめ(NIDCD Quick Statistics)も同じ調査を引用している。スティグマの数値は、2024年2月21日から26日に実施されたオンライン調査による(ASHA-YouGov、2024年)。
数字で見る非定型発話・構音障害AIデータセット(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| 2025年9月末時点でSpeech Accessibility Projectに録音を提出した参加者 | 約2,000人 | Speech Accessibility Project、ホームページ 2026年 |
| Speech Accessibility Projectのデータパッケージ、カタログの説明 | 約1,130人の参加者による約1,090時間 | ヨーク大学YorVoiceカタログ、Speech Accessibility Projectの記録 |
| Project Euphoniaコーパス、2025年2月 | 約3,000人の話者による1.5百万件を超える発話 | Google (Martinら)、Frontiers in Language Sciences 2025年 |
| 人手で確認された書き起こしがあるEuphoniaの録音 | 352,130件(29%) | Google (Jiangら)、Interspeech 2024年 |
| TORGOの話者と音声 | 構音障害のある話者8人と対照群の話者7人;約23時間 | Linguistic Data Consortium、LDC2012S02 (2012年) |
| 脳性麻痺のあるUA-Speechの話者、当初と現在の配布版 | 19人と16人 | Kimら、Interspeech 2008年;イリノイ大学 |
| Speech Accessibility Projectの計画設計 | 2,000人、病因ごとに400人 | ClinicalTrials.gov NCT05889260 |
| SAP-240430の学習用分割 | 話者369人、290.35時間 | Zhengら、Interspeech 2025 Speech Accessibility Project Challenge |
| Euphoniaの話者195人のサブセット、ALSとパーキンソン病の割合 | 39.2%と10.8% | Google (TobinとTomanek) 2021年 |
| Euphoniaの英語以外の話者、2025年 | 132人(日本語76人、スペイン語38人、フランス語14人、ヒンディー語4人) | Google (Martinら)、Frontiers in Language Sciences 2025年 |
| TORGO、通常の音声と重度の構音障害、AI 8システム | WER 5%未満と51%超 | AlsayeghとMasood、IJIS 2026年 |
| UA-Speech、Whisper-Turboのゼロショット文字誤り率、対照群と構音障害のある話者 | 9.3%と165.2% | de Grootら (TU Delft) 2025年 |
| 重度の障害音声に対するUSMのWER、ファインチューニング前と後 | 48.1と31.3 | Google (Tobinら) 2024年 |
| 個人適応モデル、ALSの音声に対するWERの相対的改善 | 62%、改善の71%は5分間のデータによる | Google (Shorら)、Interspeech 2019年 |
| 学習用の話者と共通するパーキンソン病の読み上げ文、LibriSpeech 960時間のモデルとプロジェクトでファインチューニングしたモデル | WER 45.39%と5.18% | Speech Accessibility Project (Hasegawa-Johnsonら)、JSLHR 2024年 |
| TORGOの固有テキストとテキスト件数 | 957件と16,394件 | Huiら、arXiv 2024年 |
| コミュニケーションまたは嚥下の障害がある米国の3歳から17歳の子ども(2012年) | 7.7% | NCHS Data Brief No. 205 (2015年) |
| パーキンソン病の人における構音障害 | 44%から88% | ASHA Practice Portal、Dysarthria in Adults |
方法論と出典
当社は17回の検索を行い、すべての数値の根拠となる一次のデータセットページ、登録記録、学術論文またはプレプリントを読んだ。誤り率は各出典自身の表記で示している。単語誤り率はWER、出典が使う場合は文字誤り率(CER)(UA-Speechのファインチューニングと北京語コーパス)とし、パーセント記号の有無も出典の表記に従う。3年以上前の数値は、該当セクションで入手可能な最新データとして明示している。
- Speech Accessibility Projectのホームページ(イリノイ大学ベックマン研究所)、2026年
- 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
- ヨーク大学YorVoiceカタログ、Speech Accessibility Projectの記録
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnsonら, Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zhengら, The Interspeech 2025 Speech Accessibility Project Challenge
- Google、Project Euphoniaの論文・データアクセスのページ
- Jiangら (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martinら (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- TobinとTomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin、Tomanek、Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shorら (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 および Euphoniaの個人適応に関するGoogle Researchブログ記事、2019年
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kimら, Dysarthric Speech Database for Universal Access Research, Interspeech 2008 および イリノイ大学のUA-Speech配布ページ
- Turrisiら, EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wangら, CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- AlsayeghとMasood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Grootら (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui、Zhang、Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu、Janbakhshi、Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black、Vahratian、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
- データウォッチ:Speech Accessibility Projectの規模は3通りに記述されている。研究ページは約999人の参加者による1,500時間、ヨーク大学のカタログ記録は約1,130人の参加者による約1,090時間、ホームページは2025年9月までに録音を提出した約2,000人を挙げている(提出された録音は、公開され書き起こされたデータと同じではない)。当社はどれか一つを選ぶのではなく、3つすべてを報告している。ClinicalTrials.govの記録に記載されているのはパーキンソン病および関連するパーキンソニズムの状態のみであるため、その実際の登録数485をプロジェクト全体の数として読むべきではない。JSLHRの論文は、最初のパッケージの学習セットを、方法の節では190人、結果の節では191人としている。TORGOの学術誌の要旨は発話障害のある個人7人と記述しているが、LDCのリリースでは構音障害のある話者8人が記載されている。当社はLDCの数値を採用している。USM論文の要旨は約1,000時間の障害音声と学習データの1%未満としているが、学習の表には1,158時間が記載されている。CDSD論文は、Part Bをある節では話者8人、別の節では注釈の誤りのため1人を除外した後の7人と記述している。TobinとTomanekでは、本文は軽度の話者の90%が発話50件で目標に達するとしているが、表では93%となっている。Microsoftの18%から60%という数値は、指標やテストセットが示されないまま精度向上として記述されている。Euphoniaのコーパスの二つの数値(2024年と2025年)は、矛盾ではなく成長を反映している。子どもの有病率:NIDCDは声、発話、言語の障害のみで7.2%と報告しているのに対し、NCHSの7.7%には嚥下も含まれる。
最終更新日:2026年10月24日。当社はこのまとめを四半期ごとに更新しており、次回の更新は、Speech Accessibility Projectが次のデータパッケージと学習用・テスト用分割のリリースを公開する時期を予定している。