追加学習なしでそのまま使うと、Whisperの単語誤り率は、台本の指示文を読み上げる幼稚園児で84.6%、同じテストの4年生で17.5%だった(Singh、Sahidullah、Kinnunen、Causal Analysis of ASR Errors for Children 2025)。単語誤り率(WER)とは、システムが人間による書き起こしに対して置換・脱落・挿入した単語の割合で、100%を超えることさえある。同じモデルファミリーは、理科の学習チューターと話すアメリカの子どもで25.00%、成人の読み上げ音声で5.40%を記録しており(Jain ほか, Interspeech 2023)、この差は学習データの量に対応している。最大の公開英語の子ども向けコーパスは約470時間(Linguistic Data Consortium, LDC2021S05)だが、Whisper-largeV3は1百万時間で学習された(Fan ほか, Interspeech 2024)。年齢は問題の一軸にすぎず、アクセントと方言の格差やハルシネーション率もデータの網羅性という同じ論理に従う。当社は、Interspeech、ICASSP、WOCCIの論文、Journal of the Acoustical Society of America、Linguistic Data Consortium、Frontiers in Education、そして米国連邦取引委員会のデータを集約した。
主なポイント
- CSLU Kidsの台本読み上げテストにおける追加学習なしのWhisperのWER:幼稚園児84.6%、4年生17.5%(Singh ほか, 2025)
- 既製のWhisper Large-V2:子どもの音声MySTでWER 25.00%、成人のLibriTTS音声で5.40%(Jain ほか, Interspeech 2023)
- 追加学習なしのWhisper large:4歳から7歳でWER 43.9%、8歳から10歳で13.4%(Ying ほか, WOCCI 2025)
- 子どもの非流暢性率は10.1%で、成人のSwitchboard会話では6.2%(Tran ほか, Interspeech 2020)
- Whisper-largeV3は1百万時間で学習されたのに対し、フィルタ済みのMyST子ども向け学習データは133時間(Fan ほか, Interspeech 2024)
- MySTの227,567発話のうち、書き起こされているのは約45%のみ(Linguistic Data Consortium, LDC2021S05)
- 10時間の子どもの音声でのファインチューニングにより、PF-STARにおけるWhisper Large-V2のWERは73.68%から2.88%に低下(Jain ほか, Interspeech 2023)
- 生成的誤り訂正により、子どもの音声のWERは30.5%から21.8%に低下し、相対で28.5%の減少(Balaji Shankar ほか, CHSER, Interspeech 2025)
- 読み書きスクリーニングシステムと人間の評価者との一致度は、音素の融合でカッパ0.16、語彙で0.72(Petscher ほか, Frontiers in Education 2026)
- 改正COPPA規則は声紋を個人情報に挙げ、使用直後の音声削除を求めている(FTC, COPPA Final Rule 2025)
1. 追加学習なしの状態での子どもと大人の差
子ども向け音声製品にとって最も重要な数値は、追加学習なしの結果、つまり子どもの録音での追加学習を行わず、提供されたままのモデルを使った結果だ。Whisper Large-V2のWERは、MySTの子どもの音声で25.00%、PF-STARコーパスの英国の子どもで73.68%だったのに対し、成人の読み上げ音声では5.40%だった。これは同じ評価における成人の水準のおよそ4.6倍と13.6倍にあたる(25.00 / 5.40と73.68 / 5.40)(Jain ほか, Adaptation of Whisper models to child speech recognition, Interspeech 2023)。この比較で入手できる最新データ:2023年。
新しいモデルは差を縮めるが、埋めるには至らない。2024年のベンチマークでは、NVIDIAのCanaryとParakeetモデルが、はるかに小さい学習セットにもかかわらず、子どもの音声ですべてのサイズのWhisperを上回り、著者らはデータの質がデータの量よりも重要な場合があると結論づけた(Fan、Balaji Shankar、Alwan、Interspeech 2024)。この比率は20年にわたって根強く、2003年のIEEEの研究はすでに、子どもの誤り率が成人の2倍から5倍であると報告していた。
| 指標 | 値 | 出典 |
|---|---|---|
| 子どもでの学習なしのWhisper Large-V2のWER:MySTの子ども 対 LibriTTSの成人の読み上げ音声 | 25.00% 対 5.40% | Jain ほか, Interspeech 2023 |
| 子どもでの学習なしのWhisper Large-V2のWER:PF-STARの英国の子ども;CMU Kidsの読み上げ音声 | 73.68%;12.69% | Jain ほか, Interspeech 2023 |
| 追加学習なしのWhisper-largeV3のWER:MySTテスト 対 OGI Kidsテスト | 12.6% 対 19.9% | Fan ほか, Interspeech 2024 |
| 追加学習なしのCanary(1B) 対 Parakeet-RNNT(1.1B)のWER:MySTテスト;OGIテスト | 9.5% 対 11.1%;18.2% 対 16.7% | Fan ほか, Interspeech 2024 |
| 追加学習なしのWhisper Medium.enのWER:CSLU Kidsの自発音声 対 LibriSpeechの成人のtest-clean | 31.85% 対 3.02% | Attia ほか, Kid-Whisper, AAAI/ACM AIES 2024 |
| 成人で学習した認識器の誤り率:子ども 対 成人 | 2倍から5倍悪い | PotamianosとNarayanan, IEEE Transactions on Speech and Audio Processing 2003 |
補足:MySTにおけるWhisperの2つの数値(25.00%と12.6%)は、モデルの品質に矛盾があることを意味しない。2024年のベンチマークでは、採点前にWERが50%を超える発話や3語未満の発話を除外しており、それだけで結果は数ポイント動く(セクション5を参照)。
2. 年齢層別の誤り率
「子ども」は一つの母集団ではない。CSLU Kidsの台本読み上げテストでは、追加学習なしのWhisperのWERは、幼稚園児の84.6%から1年生の37.5%、4年生の17.5%へと下がった。これは一つのテストセット内で4.8倍の差にあたる(84.6 / 17.5)(Singh、Sahidullah、Kinnunen、Causal Analysis of ASR Errors for Children、2025)。改善の大半は4年生までに訪れ、その後は曲線の低下が止まり、6年生から10年生のWhisperのWERは4年生の最低値を上回ったままとなる。
2025年のESPnetベンチマークでも、別のモデルで同じ断崖が見られた。追加学習なしのWhisper largeは4歳から7歳で43.9%、その後8歳から10歳の13.4%から11歳から15歳の18.6%へと再び上昇した一方、子どもの音声でファインチューニングしたオープンモデルは、すべての年齢層で10%を下回った(Ying ほか, Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025)。同じ年齢による不利は、話者照合(2つの録音が同一人物のものかを確認すること)にも現れ、子どものアカウントで音声ログインを行う場合には重要となる。
| 指標 | 値 | 出典 |
|---|---|---|
| CSLU Kidsの台本読み上げテストにおける追加学習なしのWhisperのWER:幼稚園児 対 4年生 | 84.6% 対 17.5% | Singh ほか, 2025 |
| 同じテスト:1年生;2年生;3年生 | 37.5%;28.0%;23.1% | Singh ほか, 2025 |
| 同じテスト:10年生 | 22.4% | Singh ほか, 2025 |
| 年齢別の追加学習なしのWhisper largeのWER:4歳から7歳;8歳から10歳;11歳から15歳 | 43.9%;13.4%;18.6% | Ying ほか, WOCCI 2025 |
| 子どもの音声でファインチューニングしたOWSM v3.1の年齢別WER:4歳から7歳;8歳から10歳;11歳から15歳 | 9.0%;7.3%;1.8% | Ying ほか, WOCCI 2025 |
| 話者照合の等誤り率(均衡点での誤った受理・拒否判断の割合)、4歳から7歳 対 11歳から15歳 | 13.2% 対 3.73% | Ying ほか, WOCCI 2025 |
| 平均年齢4.9歳の子どもの発話が完全に正しく書き起こされた割合:Whisper large-v3 対 Googleクラウド音声認識(2024年) | 36.8% 対 9.6% | Janssens ほか, ヘント大学, Technological Advances in Human-Robot Interaction 2024 |
外れ値に関する補足:Singh ほかのテストでは、MMSモデルが6年生で193.3%のWERを記録したが、これは実際に発話された語よりもはるかに多くの語を挿入したためだ。100%を超えるWERは挿入の暴走の兆候であり、誤植ではない。
3. 子どもの音声が成人向けモデルを混乱させる理由:音響と非流暢性
主な要因は2つある。第一に、声そのものが動く標的だということだ。5歳から17歳の子ども436人と成人56人を対象とした研究では、音声セグメントの長さが成人の水準に収束するのは12歳前後にすぎず、声の高さとフォルマント(母音を識別する共鳴)の変動が落ち着くにはさらに2年から3年ほどかかることが分かった(Lee、Potamianos、Narayanan、JASA 1999)。成人の共鳴に合わせて調整されたモデルは、いわば別の楽器を聴いているようなものだ。入手できる最新データ:Lee、Potamianos、Narayanan、1999年。
第二に、子どもは話し方が異なる。自発的な説明では、成人の会話よりも非流暢性とフィラーの割合が高く、‘um’ははるかに多く、言いかけて途切れた語も多かった(Tran ほか, Analysis of Disfluency in Children’s Speech, Interspeech 2020)。2025年の因果モデリングでは、年齢と発話に含まれる語数が、背景ノイズや発音能力を抑えて、誤りの要因の最上位に挙がった。臨床的な理由で成人の標準から外れた音声も同じ落とし穴に直面しており、構音障害と非定型音声のデータに関するまとめで示している。
| 指標 | 値 | 出典 |
|---|---|---|
| 発達音響学の研究の話者 | 5歳から17歳の子ども436人;成人56人 | Lee、Potamianos、Narayanan, JASA 1999 |
| 音声セグメントの長さが成人の水準に達する年齢 | 12歳前後 | Lee、Potamianos、Narayanan, JASA 1999 |
| 話者内の声の高さとフォルマントの変動が成人の範囲に達するまでの追加期間 | 約2年から3年 | Lee、Potamianos、Narayanan, JASA 1999 |
| 男児と女児の声の高さとフォルマントのパターンが分かれ始める年齢;完全に確立する年齢 | 約11歳;約15歳 | Lee、Potamianos、Narayanan, JASA 1999 |
| 非流暢性率:子ども 対 成人のSwitchboard 対 成人のCallHome会話 | 10.1% 対 6.2% 対 6.3% | Tran ほか, Interspeech 2020 |
| フィラー’um’の割合:子ども 対 成人のSwitchboard | 2.3% 対 0.5% | Tran ほか, Interspeech 2020 |
| 語断片(言いかけて途切れた語)の割合:子ども 対 成人のSwitchboard | 1.8% 対 0.5% | Tran ほか, Interspeech 2020 |
補足:非流暢性のコーパスは小規模(子ども26人、子どもの音声は約1.26時間)であり、論文は子どもの年齢をある箇所では4.8歳から7歳、別の箇所では5歳から8歳としている。入手できる最新データ:2020年。
4. データ不足:子どもの音声の時間数と基盤モデルの学習セットの比較
規模の不一致は、何桁にも及ぶ。Whisper-largeV3は1百万時間の音声で学習されたのに対し、2024年のベンチマークでファインチューニングに使えたフィルタ済みのMyST子どもの音声は133時間だった。つまり、子どものデータはその事前学習データの約0.0133%にあたる(133 / 1,000,000)(Fan ほか, Interspeech 2024)。より小規模なParakeetモデルでさえ64,000時間を学習しており、MySTの学習分割の約480倍だ(64,000 / 133)。
MyST自体も、子どもの音声としてのみ大規模にすぎない。Linguistic Data Consortiumのカタログには、3年生から5年生の1,371人の生徒による約470時間が2008年から2017年にかけて収集されたと記載されており、227,567発話のうち102,433発話に書き起こしがある(LDC2021S05, MyST Children’s Conversational Speech)。作成者らはこのコーパスを約400時間と説明し、子どもの音声を大規模に入手することの難しさを指摘している(Pradhan、Cole、Ward、LREC-COLING 2024)。より幼い子どもや他の言語では、さらに少ない。3歳から5歳を対象とした2025年の中国語(マンダリン)コーパスは41.25時間だ(Zhou ほか, ChildMandarin 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| 事前学習データ:Whisper-largeV3;Canary;Parakeet-TDT | 1,000,000;85,000;64,000時間 | Fan ほか, Interspeech 2024 |
| カタログ上のMySTコーパス | 約470時間;3年生から5年生の生徒1,371人;10,496回の個別指導セッション | Linguistic Data Consortium, LDC2021S05 (2021年) |
| 書き起こしのあるMyST発話 | 227,567のうち102,433(約45%) | Linguistic Data Consortium, LDC2021S05 (2021年) |
| ChildMandarinコーパス、3歳から5歳の子ども | 41.25時間;話者397人 | Zhou ほか, ChildMandarin 2025 |
| 2025年のコーパス調査に記載された、PF-STAR英国英語の子どものコーパス | 14.5時間;4歳から14歳の話者158人 | Zhou ほか, ChildMandarin 2025 |
| CMU Kids;OGI Kidsの台本読み上げ音声 | 9時間、話者76人;70時間、話者1,118人 | Ying ほか, WOCCI 2025 |
| 2018年の転移学習研究における子ども 対 成人の学習データ | 91.61時間(6歳から14歳) 対 205.82時間(TED-LIUMの成人) | ShivakumarとGeorgiou, arXiv 2018 |
補足:MySTの時間数は出典によって異なる(LDCカタログでは約470、コーパス論文では393または約400、2024年のベンチマークでは書き起こし済みが約240)。各数値はそれぞれの出典とともに示している。
5. ファインチューニングと適応の効果
ファインチューニングとは、子どもの録音でモデルの学習を続けることを指す。最も確実な対策であり、追加学習なしのモデルが最も悪かった領域ほど効果が大きい。Whisper Large-V2は、PF-STARの音声わずか10時間でファインチューニングしたところ、PF-STARの英国の子どもでのWERが73.68%から2.88%に低下した(Jain ほか, Interspeech 2023)。MySTの会話音声では、Whisper-smallが13.4%から9.3%に下がり、相対で30.6%の削減となった((13.4 - 9.3) / 13.4)。また、1.29百万パラメータを更新する小型のアダプターモジュールが、242百万パラメータの完全なファインチューニングに匹敵した。
新しい手法は最後の数ポイントを追い込んでいる。関連モデルのアテンション重みだけを統合する手法は、Whisper-smallでMySTのWER 8.69%という記録を打ち立て(Balaji Shankar ほか, Selective Attention Merging, ICASSP 2025)、ASR出力と人間の書き起こしの20万組で学習したテキスト訂正モデルは、4つの子どものコーパス全体で誤りを減らした。テストセットのクリーニング方法も、手法と同じくらい重要だ。WERが50%を超えるファイルや3語未満のファイルを除外しただけで、モデルを変えずに、MySTにおけるWhisper-Large-v1のテストWERは26.2%から14.2%に動いた(Attia ほか, Kid-Whisper, AIES 2024)。
| 指標 | 値 | 出典 |
|---|---|---|
| PF-STARにおけるWhisper Large-V2のWER:子どもの音声10時間でのファインチューニング前 対 後 | 73.68% 対 2.88% | Jain ほか, Interspeech 2023 |
| Whisper-smallのWER、追加学習なし 対 ファインチューニング済み:MySTテスト;OGI Kidsテスト | 13.4% 対 9.3%;25.4% 対 1.8% | Fan ほか, Interspeech 2024 |
| 学習したパラメータ数、アダプターチューニング 対 完全なファインチューニング(どちらもMySTでWER 9.3%) | 1.29百万 対 242百万 | Fan ほか, Interspeech 2024 |
| CSLU Kidsの自発音声におけるWhisper Medium.enのWER:追加学習なし 対 MySTとCSLUでファインチューニング | 31.85% 対 16.53% | Attia ほか, Kid-Whisper, AIES 2024 |
| Selective Attention統合とデータ拡張を用いたWhisper-small、MySTでのWER | 8.69%(最大14%の相対削減) | Balaji Shankar ほか, ICASSP 2025 |
| 生成的誤り訂正、4つの子どものコーパス全体のWER:前 対 後 | 30.5% 対 21.8%(相対28.5%) | Balaji Shankar ほか, CHSER, Interspeech 2025 |
| 子どもと成人の混合ファインチューニング 対 事前学習済みモデル | WERが最大5%(絶対値)低下(相対21%) | Graave ほか, Interspeech 2024 |
| 3歳から5歳の子どもの中国語(マンダリン)音声におけるWhisper-smallの文字誤り率:追加学習なし 対 ファインチューニング済み | 37.99% 対 17.45% | Zhou ほか, ChildMandarin 2025 |
外れ値に関する補足:効果は、アクセント、年齢、話し方をまたいで単純には転移しない。同じ2023年の研究では、Whisper Mediumは、アメリカのMyST音声でファインチューニングした後にPF-STARの子どもで19.76%を記録したが、PF-STAR自体でファインチューニングした後は3.15%だった。
6. 教室での読み評価:誤り率が判断に直結する場面
教育の場では、WERは最終的な指標ではない。読みのチューターは、子どもが各単語を正しく読んだかどうかを判定しなければならず、書き起こしのWERがそれなりでも、教師が見るべき誤りを取りこぼすことがある。71人の7歳から11歳の子どもを対象としたオランダ語の音読テストでは、ファインチューニングなしのWhisper large-v2が、読み誤りの検出でマシューズ相関係数(MCC、0が偶然、1が完全一致を表す一致度の指標)で.01にとどまったのに対し、専用に調整したKaldiシステムは.63だった(Molenaar ほか, Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023)。入手できる最新データ:2023年。
商用の音声検証システムを調べた2026年の米国の研究でも、課題によって同じパターンが見られた(Petscher ほか, Frontiers in Education 2026)。人間の評価者との一致度は、コーエンのカッパ(偶然を超えた一致、0から1)で測定すると、表出語彙で最も高く、3つの課題のうち音韻的に最も複雑な音素の融合で最も低かった。単語の読みでは、適合度が生徒の集団によっても異なっており、この結果は、自動スクリーニングを使ってどの子どもにフォニックス指導の支援が必要かを判断するあらゆる学区にとって重要だ。
| 指標 | 値 | 出典 |
|---|---|---|
| オランダ語の音読研究の子どもの数;年齢範囲 | 71人;7歳から11歳 | Molenaar ほか, Interspeech 2023 |
| 人間の読み誤り判定との一致度(MCC):Kaldi-PMシステム 対 Whisper large-v2 | .63 対 .01 | Molenaar ほか, Interspeech 2023 |
| 手作業の書き起こしと比べた子どもの読みのWER:Kaldi-PMシステム 対 Whisper large-v2 | 5.2% 対 13.4% | Molenaar ほか, Interspeech 2023 |
| 米国の音声検証研究の幼稚園児 | 3つの州の20校から429人 | Petscher ほか, Frontiers in Education 2026 |
| 50の閾値でのシステムと人間の評価者の間のカッパ:音素の融合;表出語彙;単語の読み | 0.16;0.72;0.51 | Petscher ほか, Frontiers in Education 2026 |
| 50の閾値で人間の評価者と同じに分類された応答の割合、同じ3つの課題 | 0.52;0.87;0.80 | Petscher ほか, Frontiers in Education 2026 |
| 80の閾値での単語の読みのカッパ:黒人の生徒 対 白人の生徒 | 0.25 対 0.47 | Petscher ほか, Frontiers in Education 2026 |
補足:Kaldi-PMは実運用に使える近道ではない。その語彙リストには、読みの課題文と、テストデータの手作業の書き起こしに出てくる語が含まれているためだ。厳密に制約されたシステムに何ができるかを示す指標として扱い、5.2%という数値もその設定に照らして読むべきだ。
7. 子どもの音声収集を制限するプライバシー規則
セクション4のデータ不足は、部分的には政策の結果でもある。2025年4月22日に公表された改正COPPA規則は、生体識別子を子どもの個人情報の定義に加え、声紋を明示的に挙げている(FTC, COPPA Final Rule Amendments 2025)。音声に関する保護者の同意の例外が対象とするのは、子どもの声を含み他の個人情報を含まないファイルで、子どもの要求に応じるためだけに使用され、その直後に削除されるものに限られる。したがって、この例外の下では、ファイルを学習データとして保持する余地は残されていない。
執行もこの条文を裏付けている。2023年、FTCと司法省は、Amazonが子どものAlexa録音を無期限に保持していたとして告発した。提案された命令には25百万ドルの民事制裁金が含まれ、対象となった音声データをデータ製品の構築や改善に使うことが禁じられた(FTCプレスリリース、2023年5月31日)。研究者らは認識をデバイス上に移すことで対応している。ファインチューニングしたWhisper tiny.enモデルがRaspberry Pi上でMySTのWER 15.9%で動作し、その動機としてプライバシー規則が挙げられた(Dutta、Chandupatla、Hansen、WOCCI 2025)。
| 指標 | 値 | 出典 |
|---|---|---|
| COPPAの対象年齢 | 13歳未満の子ども | FTCプレスリリース, 2023年 |
| 改正COPPA規則:委員会の投票;検討されたパブリックコメント | 5-0;約300件 | FTCプレスリリース, 2025年1月16日 |
| 改正規則:Federal Registerでの公表;完全な遵守期間 | 2025年4月22日;公表から1年 | FTC, COPPA Final Rule Amendments 2025 |
| 個人情報に挙げられた生体識別子 | 声紋、指紋、顔テンプレート、歩行パターンと並ぶ | FTC, COPPA Final Rule 2025 |
| Amazon Alexaの事案:民事制裁金;自分のプロフィールでAlexaを使う子ども | 25百万ドル;800,000人超 | FTC, Amazon Alexaのプレスリリースおよびビジネスブログ, 2023年5月31日 |
| Raspberry Pi上のオンデバイスWhisper tiny.en:MySTのWER;データフィルタリング適用時;リアルタイム係数(処理時間を音声の長さで割った値) | 15.9%;11.8%;0.23から0.41 | Dutta ほか, WOCCI 2025 |
補足:FTCの2017年の音声録音に関する執行方針も同じ短期保持の論理を示しており、書き言葉の代替としてのみ収集され、速やかに削除される音声を認めていた(FTC方針声明、2017年)。Amazonの事案について入手できる最新データ:2023年。
数字で見る子どもの音声認識の単語誤り率(まとめ)
| 指標 | 値 | 出典 |
|---|---|---|
| CSLU Kidsの台本読み上げテストにおける追加学習なしのWhisperのWER:幼稚園児 対 4年生 | 84.6% 対 17.5% | Singh ほか, 2025 |
| 子どもでの学習なしのWhisper Large-V2のWER:MySTの子ども 対 成人の読み上げ音声 | 25.00% 対 5.40% | Jain ほか, Interspeech 2023 |
| 追加学習なしのWhisper largeのWER:4歳から7歳 対 8歳から10歳 | 43.9% 対 13.4% | Ying ほか, WOCCI 2025 |
| 話者照合の誤り率:4歳から7歳 対 11歳から15歳 | 13.2% 対 3.73% | Ying ほか, WOCCI 2025 |
| 平均年齢4.9歳の子ども:完全に正しい書き起こし、Whisper large-v3 対 Google | 36.8% 対 9.6% | Janssens ほか, Technological Advances in Human-Robot Interaction 2024 |
| 成人で学習した認識器:子ども 対 成人 | 2倍から5倍悪い | PotamianosとNarayanan, IEEE TSAP 2003 |
| 子どもの音声セグメントの長さが成人の水準に達する年齢 | 12歳前後 | Lee、Potamianos、Narayanan, JASA 1999 |
| 非流暢性率:子ども 対 成人のSwitchboard | 10.1% 対 6.2% | Tran ほか, Interspeech 2020 |
| 事前学習データ、Whisper-largeV3 対 フィルタ済みのMyST子ども向け学習セット | 1,000,000 対 133時間 | Fan ほか, Interspeech 2024 |
| MySTコーパスの規模 | 約470時間;生徒1,371人 | Linguistic Data Consortium, LDC2021S05 |
| 中国語(マンダリン)の子どものコーパス、3歳から5歳 | 41.25時間;話者397人 | Zhou ほか, ChildMandarin 2025 |
| PF-STARにおけるWhisper Large-V2:10時間のファインチューニング前 対 後 | 73.68% 対 2.88% | Jain ほか, Interspeech 2023 |
| MySTで報告されたWhisper-smallの最良WER(アテンション統合とデータ拡張) | 8.69% | Balaji Shankar ほか, ICASSP 2025 |
| 4つの子どものコーパス全体での生成的誤り訂正 | WER 30.5%から21.8% | Balaji Shankar ほか, CHSER, Interspeech 2025 |
| 読み誤り検出の一致度(MCC):Kaldi-PMシステム 対 Whisper large-v2 | .63 対 .01 | Molenaar ほか, Interspeech 2023 |
| 幼稚園児のスクリーニングのカッパ:音素の融合 対 表出語彙 | 0.16 対 0.72 | Petscher ほか, Frontiers in Education 2026 |
| Amazon Alexaの子どもの音声データの事案、民事制裁金 | 25百万ドル | FTC, 2023年 |
方法論と出典
当社は21回のウェブ検索を行い、上記のすべての数値の裏付けとなる原論文、カタログ項目、学術誌の論文、または規制文書を読んだ。WERの値は各論文が印刷しているとおりに報告している。テストセット、テキストの正規化、フィルタリングは研究ごとに異なるため、数値は研究間ではなく、同じ行や一つの研究内で比較してほしい。3年より古い数値は、各セクションで入手できる最新データとして明記している。
- Singh、Sahidullah、Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025(Computer Speech and Languageに投稿済み)
- Jain、Barcovschi、Yiwere、Corcoran、Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan、Balaji Shankar、Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying ほか, Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia ほか, Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens ほか, Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- PotamianosとNarayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee、Potamianos、Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran ほか, Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan、Cole、Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou ほか, ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- ShivakumarとGeorgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar ほか, Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar ほか, CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave ほか, Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar ほか, Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher ほか, Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta、Chandupatla、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, 2025年1月16日および16 CFR Part 312: COPPA Final Rule Amendments
- FTCと司法省、Amazon Alexaのプレスリリース、2023年5月31日およびAlexaの事案に関するFTCのビジネスブログ
- データウォッチ:(1) MySTにおける追加学習なしのWhisperの結果は、テストセットがフィルタされたかどうかによって約12.5%から25%まで幅があるため、2023年と2024年のベンチマークは直接比較できない。(2) MySTの規模は、約470時間(LDC)、393または約400時間(コーパス論文)、書き起こし済み約240時間(2024年のベンチマーク)と報告されている。(3) Singh ほかの学年別の結果はプレプリントであり、論文はMySTを、ある箇所では3年生から5年生、別の箇所では5年生から8年生と説明している。(4) ESPnetベンチマークは、最良の平均WERを、ある節ではWhisper-smallに、別の節ではWhisper mediumに帰している。(5) CHSERのアブストラクトにある、すでにファインチューニング済みのシステムに対する13.3%の削減はWhisper Tinyにのみ当てはまり、本文では9%から13.3%の範囲が示されている。(6) Molenaar ほかの論文は、Kaldi-PMのMCCを結果の本文では.62、他の箇所では.63と印刷しており(当社は.63を使用)、その表には、語彙がテストの書き起こしのみに由来するKaldi-MOが.65で示されている。(7) Frontiersの研究は1つの商用システムを評価したものであり、その一致度の数値をすべての読みツールに一般化すべきではない。(8) いくつかの基礎的な数値(1999年、2003年、2020年、2023年)は入手できる最新データとして明記しており、ICASSP 2027の論文がベンチマークの数値を更新すると見込まれる。
最終更新日:2026年10月31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、ICASSP 2027の論文集が公開される時期を予定している。