Gdy startował Speech Accessibility Project, największa baza mowy nietypowej obejmowała 16 osób z mózgowym porażeniem dziecięcym; do końca września 2025 roku około 2000 uczestników przesłało nagrania do projektu (Speech Accessibility Project, 2025 i 2026). Project Euphonia od Google, drugi duży korpus, osiągnął ponad 1,5 miliona wypowiedzi od około 3000 mówców do lutego 2025 roku, ale jest zamknięty dla zespołów zewnętrznych (Martin i in., Frontiers in Language Sciences 2025; Google Project Euphonia). Większa ilość danych nie zlikwidowała jeszcze tej luki: w teście porównawczym z 2026 roku obejmującym osiem systemów AI mowa typowa utrzymała się poniżej 5% współczynnika błędów słów (WER, czyli odsetka słów, w których system się myli), a ciężka dyzartria przekroczyła 51% dla każdego systemu (Alsayegh i Masood, International Journal of Intelligent Systems 2026). Zebraliśmy dane z Speech Accessibility Project z Beckman Institute na University of Illinois, Google Research, Linguistic Data Consortium, NIDCD, ASHA oraz ponad tuzina recenzowanych artykułów. Nasze statystyki błędów rozpoznawania mowy związanych z akcentem pokazują, jak te błędy wypadają na tle różnic związanych z rasą, dialektem i akcentem; to zestawienie przygląda się samym zbiorom danych: jak są duże, kto w nich jest i co robią ze współczynnikami błędów.
TL;DR
- Do końca września 2025 roku nagrania przesłało do Speech Accessibility Project około 2000 osób (Speech Accessibility Project, 2026).
- Project Euphonia zawierał ponad 1,5 miliona wypowiedzi od około 3000 mówców w lutym 2025 roku, a Google nie udostępnia go poza firmą (Martin i in., Frontiers in Language Sciences 2025).
- TORGO, standardowy zbiór referencyjny od 2012 roku, obejmuje 8 mówców z dyzartrią i około 23 godzin nagrań (Linguistic Data Consortium, LDC2012S02).
- UA-Speech nagrała w 2008 roku 19 mówców z mózgowym porażeniem dziecięcym, a w obecnej dystrybucji pozostało 16 (University of Illinois, UA-Speech 2008).
- Chorobę Parkinsona, mózgowe porażenie dziecięce, ALS, zespół Downa i udar zaplanowano po 400 uczestników w Speech Accessibility Project (ClinicalTrials.gov NCT05889260).
- Mówcy z ALS stanowili 39,2% 195-osobowego podzbioru badawczego Euphonia, wobec 10,8% dla choroby Parkinsona (Tobin i Tomanek, Google 2021).
- Każdy z ośmiu systemów AI przekroczył 51% WER dla ciężkiej dyzartrii w TORGO (Alsayegh i Masood, IJIS 2026).
- Współczynnik błędów znaków Whisper-Turbo bez adaptacji na UA-Speech wyniósł 9,3% dla osób z grupy kontrolnej i 165,2% dla mówców z dyzartrią (de Groot i in., TU Delft 2025).
- Dostrojenie USM od Google na mowie zaburzonej obniżyło WER dla mowy ciężkiej z 48,1 do 31,3 (Tobin i in., Google Research 2024).
- Spersonalizowane modele poprawiły WER dla ALS o 62% względnie, a 71% poprawy dały 5 minut danych (Shor i in., Interspeech 2019).
- TORGO zawiera tylko 957 unikalnych tekstów wśród 16.394 wpisów tekstowych (Hui i in., 2024).
- Dyzartria dotyczy od 44% do 88% osób z chorobą Parkinsona (ASHA Practice Portal, Dysarthria in Adults).
1. Dwa duże korpusy: Speech Accessibility Project i Project Euphonia
Dane o mowie zaburzonej istnieją dziś w skali porównywalnej z LibriSpeech, szeroko stosowanym zbiorem referencyjnym mowy czytanej, ale otwarty jest tylko jeden z dwóch dużych zbiorów. Do końca września 2025 roku nagrania przesłało do Speech Accessibility Project około 2000 uczestników, a projekt podaje, że z jego danych korzysta około 65 organizacji. Korpus Euphonia od Google jest większy pod względem liczby mówców, lecz strona projektu stwierdza, że zbiór danych nie jest dostępny dla zewnętrznych zespołów ani firm (Google, Project Euphonia).
W praktyce oznacza to, że otwarte badania nad rozpoznawaniem mowy zaburzonej przechodzą w dużej mierze przez jednego strażnika dostępu. Speech Accessibility Project udostępnia dane na podstawie umowy o korzystaniu z danych (podpisanej umowy określającej, kto i do czego może używać nagrań), która wymaga dwóch podpisów ze strony wnioskującej organizacji i obowiązuje najwyżej 3 lata (Speech Accessibility Project, strona Conduct Research). Wzrost Euphonia, z 1,2 miliona wypowiedzi w 2024 roku do ponad 1,5 miliona w 2025 roku, pozostaje wewnątrz Google.
| Metryka | Wartość | Źródło |
|---|---|---|
| Uczestnicy, którzy przesłali nagrania do Speech Accessibility Project, koniec września 2025 | Około 2000 | Speech Accessibility Project, strona główna 2026 |
| Pakiet danych Speech Accessibility Project, opis w katalogu | Około 1090 godzin mowy od około 1130 uczestników; pięć schorzeń | Katalog YorVoice University of York, wpis Speech Accessibility Project |
| Strona Speech Accessibility Project o dostępie badawczym | 1500 godzin nagranej mowy; około 999 uczestników; około 65 organizacji korzystających z danych | Speech Accessibility Project, strona Conduct Research 2026 |
| Korpus Project Euphonia, luty 2025 | Ponad 1,5 miliona wypowiedzi od około 3000 mówców | Google (Martin i in.), Frontiers in Language Sciences 2025 |
| Korpus Project Euphonia, 2024 | 1,2 miliona wypowiedzi od ponad 2000 mówców | Google (Jiang i in.), Interspeech 2024 |
| Nagrania Euphonia z transkrypcjami zweryfikowanymi i poprawionymi przez ludzi | 352.130 (29% korpusu) | Google (Jiang i in.), Interspeech 2024 |
| Mówcy Euphonia z etykietami cech mowy | Ponad 75% mówców, ponad 40 etykiet | Google (Jiang i in.), Interspeech 2024 |
Kontekst: dla porównania skali, LibriSpeech, zbudowany z czytanych audiobooków, to korpus liczący około 1000 godzin (OpenSLR, LibriSpeech). Dwa opisy Speech Accessibility Project nie są spójne (więcej godzin, ale mniej uczestników na własnej stronie projektu), co odnotowujemy w uwadze o danych. Liczby dotyczące Euphonia pochodzą od Jiang i in. oraz Martin i in..
2. Starsze korpusy: TORGO, UA-Speech i era małych zbiorów
Przez ponad dekadę rozpoznawanie mowy dyzartrycznej testowano na garstce mówców. TORGO zawiera 8 mówców z dyzartrią (5 mężczyzn, 3 kobiety) i 7 osób z grupy kontrolnej, około 23 godzin angielskiego nagranego w Toronto w latach 2008-2010. UA-Speech, nagrana na University of Illinois, objęła 19 mówców z mózgowym porażeniem dziecięcym, z których każdy czytał 765 izolowanych słów (Kim i in., Interspeech 2008). Model uznany za najlepszy w stawce na którymkolwiek z tych korpusów został w praktyce przetestowany na mniejszej liczbie osób niż typowa klasa szkolna.
Korpusy z czasem także się kurczą i fragmentują. UA-Speech rozpowszechnia dziś 16 ze swoich pierwotnych 19 mówców, ponieważ trzech wycofało zgodę lub miało uszkodzone dane, a jej licencja zabrania użytku komercyjnego (University of Illinois, UA-Speech). Poza językiem angielskim obraz jest podobny: włoski korpus poleceń i korpus mandaryński są zbudowane na kilkudziesięciu mówcach.
| Metryka | Wartość | Źródło |
|---|---|---|
| Mówcy TORGO | 8 z dyzartrią (mózgowe porażenie dziecięce lub ALS) i 7 z grupy kontrolnej | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Audio i wydanie TORGO | Około 23 godzin, nagrane w latach 2008-2010; wydane 19 stycznia 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Materiał do odczytu w TORGO | 162 zdania od Yorkston i Beukelman, 460 zdań wywiedzionych z TIMIT oraz nagrania ruchów języka i warg (artykulografia elektromagnetyczna) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Mówcy UA-Speech z mózgowym porażeniem dziecięcym, pierwotnie vs obecnie dystrybuowani | 19 vs 16 | Kim i in., Interspeech 2008; University of Illinois, strona UA-Speech |
| Słownictwo UA-Speech i konfiguracja nagrań | 765 izolowanych słów na mówcę, w tym 300 różnych rzadkich słów; macierz 8 mikrofonów | Kim i in., Interspeech 2008 |
| Największa baza mowy nietypowej w chwili startu Speech Accessibility Project | 16 osób z mózgowym porażeniem dziecięcym | Speech Accessibility Project, artykuł o Microsoft Azure 2025 |
| EasyCall (włoski) | 21.386 nagrań od 31 mówców z dyzartrią i 24 zdrowych | Turrisi i in., Interspeech 2021 |
| CDSD (mandaryński) | 133 godziny od 44 mówców | Wang i in., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Najnowsze dostępne dane: TORGO (LDC, 2012), UA-Speech (Kim i in., 2008) oraz EasyCall (Interspeech 2021) są starsze niż trzy lata, a nadal pozostają korpusami, na których opiera się większość publikacji. Mandaryński artykuł o CDSD podaje 133 godziny jako 124 godziny audio plus 9 godzin wideo, przy czym 80 godzin audio pochodzi od zaledwie 8 mówców nagrywanych po 10 godzin.
3. Kto jest w danych: etiologia, nasilenie i język
Każdy duży korpus jest przechylony w stronę tych, których najłatwiej było zrekrutować jako pierwszych. Speech Accessibility Project zaprojektowano dla 2000 osób, po 400 na każdą z pięciu etiologii (podstawowych przyczyn medycznych różnic w mowie): chorobę Parkinsona, ALS, mózgowe porażenie dziecięce, zespół Downa i udar (ClinicalTrials.gov NCT05889260). Jego pierwszy pakiet danych zawierał wyłącznie mówców z chorobą Parkinsona, a wydanie konkursowe z kwietnia 2024 roku, nagrywane głównie w 2023 roku, wciąż było przez nich zdominowane (Zheng i in., Interspeech 2025 Challenge). Nasze statystyki leczenia mowy i głosu w chorobie Parkinsona omawiają kliniczną stronę tej populacji.
Przechył Euphonia idzie w przeciwną stronę, ku ALS i ku łagodniejszej mowie. W 195-osobowym podzbiorze badawczym ALS stanowiło 39,2% mówców, a jedną czwartą oceniono jako ciężką. Większość ocenianych nagrań w pierwszym pakiecie Speech Accessibility Project mieściła się na najmniej zaburzonym końcu skali zrozumiałości mowy, co ma znaczenie, ponieważ zbiór danych złożony głównie z mowy łagodnej będzie schlebiał średniej modelu.
| Metryka | Wartość | Źródło |
|---|---|---|
| Planowany projekt Speech Accessibility Project | 2000 osób, po 400 na etiologię, 1,2 miliona próbek mowy (600 na osobę) | ClinicalTrials.gov NCT05889260, wpis Speech Accessibility Project |
| Faktyczna rekrutacja we wpisie rejestru (który wymienia chorobę Parkinsona i pokrewne stany parkinsonowskie) | 485 uczestników; badanie zakończone 31 lipca 2025 | ClinicalTrials.gov NCT05889260, wpis Speech Accessibility Project |
| Wydanie konkursowe SAP-240430, podział treningowy | 369 mówców, 131.420 wypowiedzi, 290,35 godziny | Zheng i in., Interspeech 2025 Speech Accessibility Project Challenge |
| Podziały rozwojowy i testowe SAP-240430 | Dev 55 mówców (43,56 godziny); Test1 50 mówców (42,16 godziny); Test2 50 mówców (38,77 godziny) | Zheng i in., Interspeech 2025 Speech Accessibility Project Challenge |
| Rekrutacja do pierwszego pakietu danych, osoby zarejestrowane vs zatwierdzone vs nagrane | 746 vs 283 vs 253 | Speech Accessibility Project (Hasegawa-Johnson i in.), JSLHR 2024 |
| Pierwszy pakiet danych, oceny zrozumiałości w skali 1-7 (1 = najmniej zaburzona) | 76% ocenianych nagrań na poziomie 1; 1,5% na poziomie 5-7 | Speech Accessibility Project (Hasegawa-Johnson i in.), JSLHR 2024 |
| 195-osobowy podzbiór Euphonia, według etiologii | ALS 39,2%; mózgowe porażenie dziecięce 13,4%; choroba Parkinsona 10,8%; niedosłuch 5,2%; ataksja 3,1% | Google (Tobin i Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| 195-osobowy podzbiór Euphonia, według nasilenia | Mowa typowa 7,7%; łagodne 35,4%; umiarkowane 31,8%; ciężkie 25,1% | Google (Tobin i Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Kontekst: pokrycie językowe jest najsłabszym wymiarem. Każdy uczestnik pierwszego pakietu Speech Accessibility Project zgłosił amerykańską odmianę angielskiego jako język ojczysty (Hasegawa-Johnson i in., JSLHR 2024), a strona Euphonia od Google zaznacza, że program Speech Accessibility Project jest obecnie dostępny wyłącznie po angielsku. Rozszerzenie Euphonia o cztery kolejne języki osiągnęło do 2025 roku 132 mówców: 76 po japońsku, 38 po hiszpańsku, 14 po francusku i 4 w hindi (Martin i in., Frontiers in Language Sciences 2025). Osoby z ALS mierzą się z tą samą luką, gdy ich mowa się zmienia, co śledzą w czasie nasze statystyki pogarszania się mowy opuszkowej w ALS.
4. Luka we współczynniku błędów słów dla mowy dyzartrycznej
Gotowe rozpoznawacze są bliskie rozwiązania problemu dla łagodnej dyzartrii, a nadal zawodzą na ciężkim końcu skali. W teście porównawczym z 2026 roku obejmującym osiem systemów na TORGO, w tym Whisper large-v3, Deepgram Nova-3, GPT-4o i Gemini 2.5 Pro, ciężka dyzartria przekroczyła 51% WER dla każdego systemu, podczas gdy czołowe systemy uzyskiwały mniej więcej od 1% do 2% przy łagodnej dyzartrii (Alsayegh i Masood, IJIS 2026). Multimodalne duże modele językowe nie wykazały przewagi nad konwencjonalnymi rozpoznawaczami przy ustawieniach domyślnych.
Nasilenie, a nie marka modelu, jest zmienną, która przewiduje porażkę. Bazowy wynik Google rośnie z 10,7 WER dla mowy łagodnej do 48,1 dla ciężkiej na jej zbiorze testowym z wypowiedziami do odczytu (Tobin i in., Google Research 2024). Na UA-Speech Whisper-Turbo bez adaptacji do mówców dał współczynnik błędów znaków powyżej 100%, co zdarza się, gdy model zwraca więcej błędnych znaków, w tym zmyślonych słów, niż zawiera wzorzec.
| Metryka | Wartość | Źródło |
|---|---|---|
| TORGO, osiem komercyjnych i multimodalnych systemów AI, mowa typowa vs ciężka dyzartria | Poniżej 5% WER vs powyżej 51% WER dla każdego systemu | Alsayegh i Masood, International Journal of Intelligent Systems 2026 |
| TORGO, łagodna dyzartria, czołowe systemy | Mniej więcej od 1% do 2% WER | Alsayegh i Masood, International Journal of Intelligent Systems 2026 |
| Ciężka dyzartria, domyślny prompt vs prompt z poleceniem transkrypcji dosłownej | GPT-4o od 60,1% do 52,9%; GPT-4o Mini od 66,0% do około 55% | Alsayegh i Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, współczynnik błędów znaków Whisper-Turbo bez adaptacji, osoby z grupy kontrolnej vs mówcy z dyzartrią | 9,3% vs 165,2% | de Groot i in. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Zbiór testowy Euphonia z wypowiedziami do odczytu, bazowy WER USM według nasilenia | Łagodne 10,7; umiarkowane 29,5; ciężkie 48,1 | Google (Tobin i in.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Zbiór testowy z chorobą Parkinsona (wszystkie zdania do odczytu), modele trenowane wyłącznie na typowej mowie czytanej | LibriSpeech 100 godzin: 45,15% WER; LibriSpeech 960 godzin: 38,76% WER | Speech Accessibility Project (Hasegawa-Johnson i in.), JSLHR 2024 |
| Mówcy, których WER od razu spełnił cel 15% dla automatyki domowej, wszyscy mówcy vs mówcy z ciężkimi zaburzeniami | 35% vs 10% | Google (Tobin i Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Wartość odstająca: poprawa GPT-4o po zastosowaniu promptu z poleceniem dosłownej transkrypcji pokazuje, że część błędów modeli multimodalnych przy mowie ciężkiej bierze się z przeformułowywania tego, co zostało powiedziane, a nie tylko z przesłyszeń; autorzy podają, że modele Gemini nie zyskały nic spójnego na tych samych promptach. Wynik dla UA-Speech pochodzi od de Groot i in., którzy dla warunku bez adaptacji podają wynik mówców z dyzartrią tylko zbiorczo, a nie według grup zrozumiałości.
5. Zyski ze spersonalizowanych i dostrojonych modeli
Niewielkie ilości właściwych danych zmieniają współczynniki błędów bardziej niż jakakolwiek zmiana architektury. Spersonalizowane modele poprawiły WER o 62% względnie dla mówców z ALS, a 71% tej poprawy dały zaledwie 5 minut danych treningowych (Shor i in., Interspeech 2019). Modele te trenowano na 67 mówcach z ALS, około 36 godzinach nagrań (blog Google Research, 2019).
Nowszy wynik jest taki, że jeden wspólny model potrafi wchłonąć dużą część tej korzyści. USM od Google, dostrojony na 1158 godzinach mowy zaburzonej, zamknął 64% luki między wynikiem bazowym a modelami per mówca, a Microsoft podaje wzrost dokładności od 18% do 60% w Azure AI Speech dzięki danym Speech Accessibility Project, zależnie od niepełnosprawności mówcy. Sufitem nadal jest nasilenie: WER dostrojonego modelu dla mowy ciężkiej, 31,3, jest ponad czterokrotnie wyższy niż jego wynik dla mowy łagodnej, 7,3, w tej samej tabeli (31,3 podzielone przez 7,3 daje 4,3).
| Metryka | Wartość | Źródło |
|---|---|---|
| Względna poprawa WER dzięki spersonalizowanym modelom, mowa w ALS vs mowa z akcentem | 62% vs 35% | Google (Shor i in.), Interspeech 2019 |
| WER mówców z ALS po personalizacji, frazy z banku wiadomości, dyzartria łagodna vs cięższa | 10% vs 20% | Google (Shor i in.), Interspeech 2019 |
| Mówcy osiągający cel 15% WER dla automatyki domowej przy 50 wypowiedziach (3-4 minuty) vs 250 wypowiedziach (18-20 minut) | 63% vs 79% | Google (Tobin i Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM dostrojony na mowie zaburzonej, WER przed vs po, według nasilenia | Łagodne od 10,7 do 7,3; umiarkowane od 29,5 do 19,6; ciężkie od 48,1 do 31,3 | Google (Tobin i in.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Dostrojenie USM, względna poprawa dla mowy z wypowiedziami do odczytu vs spontanicznej mowy konwersacyjnej | 33% vs 26% | Google (Tobin i in.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Wzrost dokładności Microsoft Azure AI Speech dzięki danym Speech Accessibility Project | Od 18% do 60%, zależnie od niepełnosprawności mówcy | Speech Accessibility Project, artykuł o Microsoft Azure 2025 |
| Współczynnik błędów znaków w teście mandaryńskiego CDSD, trenowany tylko na CDSD vs wstępnie wytrenowany na WenetSpeech, a potem dostrojony | 24,9% vs 16,4% | Wang i in., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, współczynnik błędów znaków dostrojonego Whisper-Turbo według grupy zrozumiałości | Bardzo niska 64,4%; niska 44,8%; średnia 40,1%; wysoka 30,2% | de Groot i in. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Kontekst: mówcy z zaburzeniami ciężkimi pozostają najtrudniejszą grupą, nawet gdy wykorzysta się wszystkie ich dane. W badaniu personalizacji Euphonia 69% mówców z zaburzeniami ciężkimi osiągnęło cel 15% dla automatyki domowej przy pełnych nagraniach, wobec 99% mówców z zaburzeniami łagodnymi (Tobin i Tomanek, 2021). Kierownik Speech Accessibility Project powiedział, że trening na części zbioru danych obniżył współczynniki błędów dla osób z chorobą Parkinsona prawie dwukrotnie (Speech Accessibility Project, ogłoszenie o udostępnianiu danych 2024). Najnowsze dostępne dane o personalizacji per mówca: Shor i in. (2019) oraz Tobin i Tomanek (2021).
6. Pułapki testów porównawczych: nakładanie się zdań do odczytu, artefakty nagrań i szum w etykietach
Małe korpusy z powtarzanymi zdaniami sprawiają, że opublikowana dokładność wygląda lepiej niż w rzeczywistym użyciu. TORGO zawiera tylko 957 unikalnych tekstów wśród 16.394 wpisów tekstowych, a nakładanie się zdań do odczytu w przeliczeniu na mówcę dla ośmiu mówców z dyzartrią waha się od 95,7% do 100% (Hui i in., 2024). Gdy autorzy przebudowali podział tak, by żadne zdanie nie występowało zarówno w treningu, jak i w teście, WER modelu wav2vec2 dla mówcy z łagodnymi zaburzeniami wzrósł z 3,17% do 45,21%. Model może nauczyć się listy zdań zamiast mówcy.
Ten sam efekt pojawia się w najnowszym korpusie. Na zdaniach, które czytali także mówcy treningowi, dostrojony model Speech Accessibility Project uzyskał 5,18% WER, i właśnie dlatego artykuł podaje oddzielnie wyniki dla zdań wspólnych i niewspólnych. Drugą pułapką są warunki nagrania: Schu i in. (2022) stwierdzili, że większość najnowocześniejszych klasyfikatorów dyzartrii działała tak samo lub lepiej na fragmentach niezawierających mowy w UA-Speech i TORGO, co oznacza, że mogą wykrywać konfigurację nagrania, a nie mowę.
| Metryka | Wartość | Źródło |
|---|---|---|
| Unikalne teksty TORGO vs wszystkie wpisy tekstowe | 957 vs 16.394 | Hui i in., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Nakładanie się zdań do odczytu w TORGO na mówcę, ośmiu mówców z dyzartrią | Od 95,7% do 100% | Hui i in., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, mówca z ciężkimi zaburzeniami M04, podział oryginalny vs bez nakładania | 64,50% vs 93,75% | Hui i in., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, mówca z łagodnymi zaburzeniami M03, podział oryginalny vs bez nakładania | 3,17% vs 45,21% | Hui i in., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Zdania z chorobą Parkinsona wspólne z mówcami treningowymi, model trenowany na LibriSpeech 960 godzin vs dostrojony na danych projektu | 45,39% vs 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson i in.), JSLHR 2024 |
| Przegląd transkrypcji Euphonia, transkrypcje ujednolicone na mówcę vs wypowiedzi z faktycznymi zmianami słów | 72% średnio vs poniżej 5% | Google (Jiang i in.), Interspeech 2024 |
| Automatyczny filtr braku mowy w Euphonia, odsetek oflagowanych nagrań, które faktycznie zawierały mowę (odsetek fałszywych pominięć) | 47,7% | Google (Jiang i in.), Interspeech 2024 |
| USM dostrojony na mowie zaburzonej, WER na LibriSpeech Clean dla mowy typowej | 2,4, bez zmian przy testowanych wagach danych | Google (Tobin i in.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Kontekst: szum w etykietach w Euphonia był w większości kosmetyczny, bo około 95% poprawek dotyczyło interpunkcji, wielkich liter lub innej normalizacji; większym ryzykiem był automatyczny filtr odrzucający poprawną, lecz cichą lub wolną mowę, co usuwa dokładnie tych mówców, których zbiór danych potrzebuje najbardziej. Wynik USM odpowiada na częstą obawę: dodanie mowy zaburzonej nie pogorszyło dokładności dla mowy typowej przy wagach testowanych przez autorów.
7. Kontekst częstości występowania: populacja, której służą te zbiory danych
Powyższe korpusy obejmują kilka tysięcy mówców; populacja z różnicami w mowie liczy miliony. W 2012 roku 7,7% dzieci w USA w wieku 3-17 lat miało w ciągu ostatnich 12 miesięcy zaburzenie komunikacji lub połykania, a problemy z mową były najczęstszym typem, 5,0% (NCHS Data Brief No. 205). Tylko 55,2% tych dzieci otrzymało w tym samym roku usługę interwencyjną.
Wśród dorosłych dyzartria jest częstą cechą powszechnych schorzeń neurologicznych, a nie rzadkim zaburzeniem. Przegląd ASHA podaje ją u 44% do 88% osób z chorobą Parkinsona i u 22% do 58% osób z ostrym udarem mózgu (ASHA Practice Portal, Dysarthria in Adults), i to te zakresy, a nie skład próby dogodnej, powinien odzwierciedlać reprezentatywny zbiór danych. Zaburzenia płynności, takie jak jąkanie, dodają kolejną populację, opisaną w naszych statystykach demograficznych jąkania.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dzieci w USA w wieku 3-17 lat z zaburzeniem komunikacji lub połykania w ostatnich 12 miesiącach; problemy z mową | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, dane NHIS z 2012) |
| Częstość według wieku, 3-6 lat vs 11-17 lat | 11,0% vs 4,9% | NCHS Data Brief No. 205 (2015, dane NHIS z 2012) |
| Dzieci z zaburzeniem, które otrzymały usługi interwencyjne w ostatnich 12 miesiącach | 55,2% | NCHS Data Brief No. 205 (2015, dane NHIS z 2012) |
| Dorośli w USA zgłaszający problem z głosem w ostatnich 12 miesiącach | 7,6% (około 17,9 miliona) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Amerykanie, którzy się jąkają; Amerykanie żyjący z afazją | Ponad 3 miliony (około 1%); około 2 miliony, z prawie 180.000 nowych przypadków rocznie | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Częstość dyzartrii: choroba Parkinsona; stwardnienie rozsiane; ostry udar mózgu; ostre do podostrego urazowe uszkodzenie mózgu | Od 44% do 88%; od 40% do 51%; od 22% do 58%; około 30% do 86% | ASHA Practice Portal, Dysarthria in Adults |
| Częstość dyzartrii: choroba Huntingtona; choroby nerwowo-mięśniowe, takie jak ALS | Od 78% do 93%; od 26% do 62% | ASHA Practice Portal, Dysarthria in Adults |
| Dorośli w USA z trudnościami ze słuchem, mową lub językiem, którzy zgłosili doświadczenie stygmatyzacji | 65% z 1004 ankietowanych | ASHA-YouGov National Poll 2024 |
Najnowsze dostępne dane: dane o częstości występowania u dzieci pochodzą z National Health Interview Survey z 2012 roku, opublikowanego w 2015 roku, a własne podsumowanie NIDCD (NIDCD Quick Statistics) powołuje się na to samo badanie. Dane o stygmatyzacji pochodzą z sondażu internetowego przeprowadzonego od 21 do 26 lutego 2024 roku (ASHA-YouGov, 2024).
Podsumowanie: zbiory danych AI z mową nietypową i dyzartryczną w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| Uczestnicy, którzy przesłali nagrania do Speech Accessibility Project, koniec września 2025 | Około 2000 | Speech Accessibility Project, strona główna 2026 |
| Pakiet danych Speech Accessibility Project, opis w katalogu | Około 1090 godzin od około 1130 uczestników | Katalog YorVoice University of York, wpis Speech Accessibility Project |
| Korpus Project Euphonia, luty 2025 | Ponad 1,5 miliona wypowiedzi od około 3000 mówców | Google (Martin i in.), Frontiers in Language Sciences 2025 |
| Nagrania Euphonia z transkrypcjami zweryfikowanymi przez ludzi | 352.130 (29%) | Google (Jiang i in.), Interspeech 2024 |
| Mówcy i audio TORGO | 8 z dyzartrią i 7 z grupy kontrolnej; około 23 godzin | Linguistic Data Consortium, LDC2012S02 (2012) |
| Mówcy UA-Speech z mózgowym porażeniem dziecięcym, pierwotnie vs obecnie dystrybuowani | 19 vs 16 | Kim i in., Interspeech 2008; University of Illinois |
| Planowany projekt Speech Accessibility Project | 2000 osób, po 400 na etiologię | ClinicalTrials.gov NCT05889260 |
| Podział treningowy SAP-240430 | 369 mówców, 290,35 godziny | Zheng i in., Interspeech 2025 Speech Accessibility Project Challenge |
| 195-osobowy podzbiór Euphonia, udział ALS vs choroby Parkinsona | 39,2% vs 10,8% | Google (Tobin i Tomanek) 2021 |
| Mówcy Euphonia nieanglojęzyczni, 2025 | 132 (japoński 76, hiszpański 38, francuski 14, hindi 4) | Google (Martin i in.), Frontiers in Language Sciences 2025 |
| TORGO, mowa typowa vs ciężka dyzartria, osiem systemów AI | Poniżej 5% vs powyżej 51% WER | Alsayegh i Masood, IJIS 2026 |
| UA-Speech, współczynnik błędów znaków Whisper-Turbo bez adaptacji, grupa kontrolna vs dyzartria | 9,3% vs 165,2% | de Groot i in. (TU Delft) 2025 |
| WER USM dla ciężkiej mowy zaburzonej, przed vs po dostrojeniu | 48,1 vs 31,3 | Google (Tobin i in.) 2024 |
| Spersonalizowane modele, względna poprawa WER dla mowy w ALS | 62%, z czego 71% poprawy dały 5 minut danych | Google (Shor i in.), Interspeech 2019 |
| Zdania z chorobą Parkinsona wspólne z mówcami treningowymi, model LibriSpeech 960 godzin vs model dostrojony na danych projektu | 45,39% vs 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson i in.), JSLHR 2024 |
| Unikalne teksty TORGO vs wpisy tekstowe | 957 vs 16.394 | Hui i in., arXiv 2024 |
| Dzieci w USA w wieku 3-17 lat z zaburzeniem komunikacji lub połykania (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Dyzartria wśród osób z chorobą Parkinsona | Od 44% do 88% | ASHA Practice Portal, Dysarthria in Adults |
Metodologia i źródła
Przeprowadziliśmy 17 wyszukiwań i przeczytaliśmy podstawową stronę zbioru danych, wpis w rejestrze, artykuł w czasopiśmie lub preprint stojące za każdą liczbą. Współczynniki błędów podajemy w notacji każdego źródła: WER dla współczynnika błędów słów, współczynnik błędów znaków (CER) tam, gdzie źródło go używa (dostrajanie UA-Speech i korpus mandaryński), ze znakiem procentu lub bez niego, tak jak drukuje źródło. Liczby starsze niż trzy lata są w swoich sekcjach oznaczone jako najnowsze dostępne dane.
- Strona główna Speech Accessibility Project (Beckman Institute, University of Illinois), 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, wpis Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson i in., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng i in., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, strona publikacji i dostępu do danych Project Euphonia
- Jiang i in. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin i in. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin i Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek i Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor i in. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 oraz wpis na blogu Google Research o personalizacji Euphonia, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim i in., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 oraz strona dystrybucji UA-Speech na University of Illinois
- Turrisi i in., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang i in., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh i Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot i in. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang i Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi i Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black, Vahratian i 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
- Uwaga o danych: wielkość Speech Accessibility Project jest opisywana na trzy sposoby. Jego strona badawcza podaje 1500 godzin od około 999 uczestników, wpis w katalogu University of York podaje około 1090 godzin od około 1130 uczestników, a strona główna liczy około 2000 osób, które przesłały nagrania do września 2025 roku (przesłane nagrania to nie to samo co udostępnione, transkrybowane dane); podajemy wszystkie trzy wartości, zamiast wybierać jedną. Wpis w ClinicalTrials.gov wymienia wyłącznie chorobę Parkinsona i pokrewne stany parkinsonowskie, więc jego faktycznej rekrutacji 485 nie należy odczytywać jako sumy dla całego projektu. Artykuł w JSLHR podaje zbiór treningowy pierwszego pakietu jako 190 mówców w sekcji Metoda i 191 w sekcji Wyniki. Streszczenie artykułu o TORGO w czasopiśmie opisuje siedem osób z zaburzeniami mowy, podczas gdy wydanie LDC wymienia ośmiu mówców z dyzartrią; używamy wartości z LDC. Streszczenie artykułu o USM opisuje około 1000 godzin mowy zaburzonej i mniej niż 1% danych treningowych, podczas gdy jego tabela treningowa podaje 1158 godzin. Artykuł o CDSD opisuje część B jako 8 mówców w jednej sekcji i 7 w innej, po usunięciu jednego mówcy z powodu błędów w adnotacjach. U Tobin i Tomanek tekst podaje, że 90% mówców z łagodnymi zaburzeniami osiąga cel przy 50 wypowiedziach, podczas gdy tabela pokazuje 93%. Wzrost od 18% do 60% podawany przez Microsoft jest opisany jako wzrost dokładności bez wskazania metryki ani zbioru testowego. Dwie liczby dotyczące korpusu Euphonia (2024 i 2025) odzwierciedlają wzrost, a nie sprzeczność. Częstość występowania u dzieci: NIDCD podaje 7,2% dla samych zaburzeń głosu, mowy lub języka, wobec 7,7% w NCHS, które uwzględnia także połykanie.
Ostatnia aktualizacja: 24 października 2026 roku. Aktualizujemy to zestawienie co kwartał, a kolejne odświeżenie spodziewane jest, gdy Speech Accessibility Project opublikuje swój następny pakiet danych i wydanie podziału na zbiory treningowe i testowe.