W wersji bez adaptacji Whisper uzyskał współczynnik błędów słów 84,6% u dzieci z zerówki czytających skryptowe polecenia, wobec 17,5% u czwartoklasistów w tym samym teście (Singh, Sahidullah i Kinnunen, Causal Analysis of ASR Errors for Children 2025). Współczynnik błędów słów (WER) to odsetek słów, które system podmienia, pomija lub dodaje w porównaniu z transkrypcją człowieka, więc może przekraczać nawet 100%. Ta sama rodzina modeli uzyskała 25,00% WER na amerykańskich dzieciach rozmawiających z wirtualnym nauczycielem przyrody i 5,40% na czytanej mowie dorosłych (Jain i wsp., Interspeech 2023), a różnica odpowiada ilości danych treningowych: największy publiczny angielski korpus mowy dzieci zawiera około 470 godzin (Linguistic Data Consortium, LDC2021S05), podczas gdy Whisper-largeV3 trenowano na 1 milionie godzin (Fan i wsp., Interspeech 2024). Wiek to tylko jedna oś problemu; luki związane z akcentem i dialektem oraz odsetek halucynacji podlegają podobnej logice pokrycia danych. Zebraliśmy dane z prac z Interspeech, ICASSP i WOCCI, z Journal of the Acoustical Society of America, od Linguistic Data Consortium, z Frontiers in Education oraz od amerykańskiej Federalnej Komisji Handlu.
TL;DR
- WER Whisper bez dodatkowego treningu w skryptowym teście CSLU Kids: 84,6% w zerówce wobec 17,5% w 4. klasie (Singh i wsp., 2025).
- Whisper Large-V2 bez adaptacji: 25,00% WER na mowie dzieci z MyST wobec 5,40% na mowie dorosłych z LibriTTS (Jain i wsp., Interspeech 2023).
- Whisper large bez dodatkowego treningu: 43,9% WER dla wieku od 4 do 7 lat wobec 13,4% dla wieku od 8 do 10 lat (Ying i wsp., WOCCI 2025).
- Wskaźnik niepłynności u dzieci wyniósł 10,1% wobec 6,2% w rozmowach dorosłych w korpusie Switchboard (Tran i wsp., Interspeech 2020).
- Whisper-largeV3 trenowano na 1 milionie godzin wobec 133 godzin przefiltrowanych danych treningowych MyST z mową dzieci (Fan i wsp., Interspeech 2024).
- Tylko około 45% z 227.567 wypowiedzi w MyST jest zatranskrybowanych (Linguistic Data Consortium, LDC2021S05).
- Dostrojenie na 10 godzinach mowy dzieci obniżyło WER Whisper Large-V2 na PF-STAR z 73,68% do 2,88% (Jain i wsp., Interspeech 2023).
- Generatywna korekta błędów obniżyła WER mowy dzieci z 30,5% do 21,8%, czyli o 28,5% względnie (Balaji Shankar i wsp., CHSER, Interspeech 2025).
- System przesiewowy czytania zgadzał się z oceniającymi na poziomie kappa 0,16 dla łączenia fonemów wobec 0,72 dla słownictwa (Petscher i wsp., Frontiers in Education 2026).
- Znowelizowana reguła COPPA wymienia odciski głosu jako dane osobowe i wymaga usunięcia nagrania tuż po użyciu (FTC, COPPA Final Rule 2025).
1. Różnica między dziećmi a dorosłymi bez adaptacji
Najważniejszą liczbą dla każdego produktu do mowy dzieci jest wynik bez dodatkowego treningu, czyli rezultat modelu użytego w wersji fabrycznej, bez dodatkowego trenowania na nagraniach dzieci. Whisper Large-V2 uzyskał 25,00% WER na mowie dzieci z MyST i 73,68% na brytyjskich dzieciach w korpusie PF-STAR, wobec 5,40% na czytanej mowie dorosłych, czyli około 4,6 raza i 13,6 raza więcej niż u dorosłych (25,00 / 5,40 oraz 73,68 / 5,40) w tej samej ocenie (Jain i wsp., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Najnowsze dostępne dane dla tego porównania: 2023.
Nowsze modele zmniejszają różnicę, ale jej nie zamykają. W benchmarku z 2024 roku modele Canary i Parakeet firmy NVIDIA pokonały wszystkie rozmiary Whisper na mowie dzieci mimo znacznie mniejszych zbiorów treningowych, co skłoniło autorów do wniosku, że jakość danych bywa ważniejsza niż ich ilość (Fan, Balaji Shankar i Alwan, Interspeech 2024). Ten stosunek utrzymuje się od dwóch dekad: badanie IEEE z 2003 roku podawało już współczynniki błędów u dzieci od dwóch do pięciu razy wyższe niż u dorosłych.
| Metryka | Wartość | Źródło |
|---|---|---|
| WER Whisper Large-V2 bez treningu na mowie dzieci: dzieci z MyST wobec czytanej mowy dorosłych z LibriTTS | 25,00% wobec 5,40% | Jain i wsp., Interspeech 2023 |
| WER Whisper Large-V2 bez treningu na mowie dzieci: brytyjskie dzieci z PF-STAR; czytana mowa z CMU Kids | 73,68%; 12,69% | Jain i wsp., Interspeech 2023 |
| WER Whisper-largeV3 bez dodatkowego treningu: test MyST wobec testu OGI Kids | 12,6% wobec 19,9% | Fan i wsp., Interspeech 2024 |
| WER Canary (1B) wobec Parakeet-RNNT (1,1B) bez dodatkowego treningu w teście MyST; w teście OGI | 9,5% wobec 11,1%; 18,2% wobec 16,7% | Fan i wsp., Interspeech 2024 |
| WER Whisper Medium.en bez dodatkowego treningu: spontaniczna mowa w CSLU Kids wobec mowy dorosłych w LibriSpeech test-clean | 31,85% wobec 3,02% | Attia i wsp., Kid-Whisper, AAAI/ACM AIES 2024 |
| Poziom błędów rozpoznawaczy wytrenowanych na dorosłych: dzieci wobec dorosłych | od dwóch do pięciu razy gorszy | Potamianos i Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Uwaga kontekstowa: dwa wyniki Whisper na MyST (25,00% i 12,6%) nie oznaczają sprzeczności w jakości modelu. Benchmark z 2024 roku przed oceną usunął wypowiedzi z WER powyżej 50% lub krótsze niż 3 słowa, co samo przesuwa wyniki o kilka punktów (zob. sekcja 5).
2. Współczynniki błędów według grup wiekowych
“Dzieci” to nie jedna populacja. W skryptowym teście CSLU Kids Whisper bez dodatkowego treningu przeszedł od 84,6% WER w zerówce do 37,5% w 1. klasie i 17,5% w 4. klasie, czyli 4,8-krotna różnica (84,6 / 17,5) w obrębie jednego zbioru testowego (Singh, Sahidullah i Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Większość poprawy następuje do 4. klasy; potem krzywa przestaje opadać, a WER Whisper w klasach od 6 do 10 pozostaje powyżej jego minimum z 4. klasy.
Benchmark ESPnet z 2025 roku wykazał ten sam próg przy innych modelach. Whisper large bez dodatkowego treningu uzyskał 43,9% dla wieku od 4 do 7 lat, po czym wynik znów rósł, z 13,4% w wieku od 8 do 10 lat do 18,6% w wieku od 11 do 15 lat, podczas gdy otwarty model dostrojony na mowie dzieci pozostał poniżej 10% w każdej grupie (Ying i wsp., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Ta sama kara za wiek widoczna jest w weryfikacji mówcy (sprawdzaniu, czy dwa nagrania pochodzą od tej samej osoby), co ma znaczenie dla każdego logowania głosem na kontach dzieci.
| Metryka | Wartość | Źródło |
|---|---|---|
| WER Whisper bez dodatkowego treningu w skryptowym teście CSLU Kids: zerówka wobec 4. klasy | 84,6% wobec 17,5% | Singh i wsp., 2025 |
| Ten sam test: 1. klasa; 2. klasa; 3. klasa | 37,5%; 28,0%; 23,1% | Singh i wsp., 2025 |
| Ten sam test: 10. klasa | 22,4% | Singh i wsp., 2025 |
| WER Whisper large bez dodatkowego treningu według wieku: od 4 do 7; od 8 do 10; od 11 do 15 | 43,9%; 13,4%; 18,6% | Ying i wsp., WOCCI 2025 |
| OWSM v3.1 dostrojony na mowie dzieci, WER według wieku: od 4 do 7; od 8 do 10; od 11 do 15 | 9,0%; 7,3%; 1,8% | Ying i wsp., WOCCI 2025 |
| Równy współczynnik błędów weryfikacji mówcy (odsetek błędnych decyzji o przyjęciu lub odrzuceniu w punkcie równowagi), wiek od 4 do 7 wobec od 11 do 15 | 13,2% wobec 3,73% | Ying i wsp., WOCCI 2025 |
| Wypowiedzi dzieci ze średnią wieku 4,9 lat zatranskrybowane całkowicie poprawnie: Whisper large-v3 wobec chmurowego ASR Google (2024) | 36,8% wobec 9,6% | Janssens i wsp., Uniwersytet w Gandawie (Ghent University), Technological Advances in Human-Robot Interaction 2024 |
Uwaga o wartości odstającej: model MMS uzyskał 193,3% WER w 6. klasie w teście Singh i wsp., ponieważ wstawił znacznie więcej słów, niż zostało wypowiedzianych. WER powyżej 100% to oznaka niekontrolowanych wstawień, a nie literówka.
3. Dlaczego mowa dzieci łamie modele wytrenowane na dorosłych: akustyka i niepłynność
Dominują dwa mechanizmy. Po pierwsze, sam głos jest ruchomym celem. Badanie 436 dzieci w wieku od 5 do 17 lat i 56 dorosłych wykazało, że czas trwania segmentów mowy zbliża się do poziomu dorosłych dopiero około 12. roku życia, a zmienność wysokości głosu i formantów (rezonansów, które odróżniają samogłoski) potrzebuje na to jeszcze około 2 do 3 lat (Lee, Potamianos i Narayanan, JASA 1999). Model dostrojony do rezonansów dorosłych w praktyce słucha innego instrumentu. Najnowsze dostępne dane: Lee, Potamianos i Narayanan, 1999.
Po drugie, dzieci mówią inaczej. Ich spontaniczne wyjaśnienia wykazywały wyższy poziom niepłynności i wypełniaczy niż rozmowy dorosłych, w tym znacznie więcej ‘um’ i więcej słów urwanych w połowie (Tran i wsp., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Modelowanie przyczynowe z 2025 roku umieściło wiek i liczbę słów w wypowiedzi na szczycie czynników błędów, przed hałasem tła i umiejętnością wymowy. Mowa odbiegająca od normy dorosłych z powodów klinicznych wpada w tę samą pułapkę, jak pokazuje nasze zestawienie danych o dyzartrii i mowie nietypowej.
| Metryka | Wartość | Źródło |
|---|---|---|
| Mówcy w badaniu akustyki rozwojowej | 436 dzieci w wieku od 5 do 17 lat; 56 dorosłych | Lee, Potamianos i Narayanan, JASA 1999 |
| Wiek, w którym czas trwania segmentów mowy osiąga poziom dorosłych | około 12 | Lee, Potamianos i Narayanan, JASA 1999 |
| Dodatkowy czas, by zmienność wysokości głosu i formantów u tego samego mówcy osiągnęła zakres dorosłych | około 2 do 3 lat | Lee, Potamianos i Narayanan, JASA 1999 |
| Wiek, w którym wzorce wysokości głosu i formantów chłopców i dziewcząt zaczynają się rozchodzić; w pełni ukształtowane | około 11; około 15 | Lee, Potamianos i Narayanan, JASA 1999 |
| Wskaźnik niepłynności: dzieci wobec dorosłych w Switchboard wobec dorosłych w CallHome | 10,1% wobec 6,2% wobec 6,3% | Tran i wsp., Interspeech 2020 |
| Odsetek wypełniacza ‘um’: dzieci wobec dorosłych w Switchboard | 2,3% wobec 0,5% | Tran i wsp., Interspeech 2020 |
| Odsetek urwanych słów (słów przerwanych w połowie): dzieci wobec dorosłych w Switchboard | 1,8% wobec 0,5% | Tran i wsp., Interspeech 2020 |
Uwaga kontekstowa: korpus niepłynności jest mały (26 dzieci, około 1,26 godziny mowy dzieci), a praca podaje wiek dzieci jako 4,8 do 7 w jednym miejscu i 5 do 8 w innym. Najnowsze dostępne dane: 2020.
4. Niedobór danych: godziny mowy dzieci wobec zbiorów treningowych modeli bazowych
Różnica w skali to kilka rzędów wielkości. Whisper-largeV3 trenowano na 1 milionie godzin nagrań, podczas gdy w benchmarku z 2024 roku do dostrajania było 133 godziny przefiltrowanej mowy dzieci z MyST, więc zbiór dziecięcy stanowi około 0,0133% tej puli do wstępnego trenowania (133 / 1.000.000) (Fan i wsp., Interspeech 2024). Nawet skromniejszy model Parakeet widział 64.000 godzin, czyli około 480 razy więcej niż podzbiór treningowy MyST (64.000 / 133).
Sam MyST jest duży tylko jak na standardy mowy dzieci. Katalog Linguistic Data Consortium podaje około 470 godzin od 1371 uczniów w klasach od 3 do 5, zebranych w latach 2008 do 2017, przy czym zatranskrybowano 102.433 z 227.567 wypowiedzi (LDC2021S05, MyST Children’s Conversational Speech). Twórcy opisują korpus jako liczący około 400 godzin i zwracają uwagę, jak trudno zdobyć mowę dzieci na dużą skalę (Pradhan, Cole i Ward, LREC-COLING 2024). Młodsze dzieci i inne języki mają znacznie mniej: korpus mandaryński z 2025 roku dla wieku od 3 do 5 lat zawiera 41,25 godziny (Zhou i wsp., ChildMandarin 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Dane do wstępnego trenowania: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 godzin | Fan i wsp., Interspeech 2024 |
| Korpus MyST według katalogu | około 470 godzin; 1371 uczniów w klasach od 3 do 5; 10.496 sesji korepetycji | Linguistic Data Consortium, LDC2021S05 (2021) |
| Wypowiedzi MyST z transkrypcją | 102.433 z 227.567 (około 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Korpus ChildMandarin, dzieci w wieku od 3 do 5 lat | 41,25 godziny; 397 mówców | Zhou i wsp., ChildMandarin 2025 |
| Korpus PF-STAR z mową brytyjskich dzieci, według przeglądu korpusów z 2025 roku | 14,5 godziny; 158 mówców w wieku od 4 do 14 lat | Zhou i wsp., ChildMandarin 2025 |
| CMU Kids; skryptowa mowa OGI Kids | 9 godzin, 76 mówców; 70 godzin, 1118 mówców | Ying i wsp., WOCCI 2025 |
| Dane treningowe dzieci wobec dorosłych w badaniu transferu wiedzy z 2018 roku | 91,61 godziny (wiek od 6 do 14 lat) wobec 205,82 godziny (dorośli z TED-LIUM) | Shivakumar i Georgiou, arXiv 2018 |
Uwaga kontekstowa: liczba godzin MyST różni się w zależności od źródła (około 470 w katalogu LDC, 393 lub około 400 w pracy o korpusie, około 240 zatranskrybowanych godzin w benchmarku z 2024 roku). Każdą wartość podajemy z jej własnym źródłem.
5. Zyski z dostrajania i adaptacji
Dostrajanie oznacza kontynuowanie trenowania modelu na nagraniach dzieci. To najbardziej niezawodne rozwiązanie, a zyski są największe tam, gdzie model bez dodatkowego treningu wypadał najgorzej. Whisper Large-V2 spadł z 73,68% do 2,88% WER na brytyjskich dzieciach w PF-STAR po dostrojeniu na zaledwie 10 godzinach mowy z PF-STAR (Jain i wsp., Interspeech 2023). Na mowie konwersacyjnej z MyST Whisper-small przeszedł z 13,4% do 9,3%, czyli o 30,6% względnie ((13,4 - 9,3) / 13,4), a mały moduł adaptera aktualizujący 1,29 miliona parametrów dorównał pełnemu dostrajaniu 242 milionów.
Nowsze techniki walczą o ostatnie punkty. Scalanie wyłącznie wag uwagi pokrewnych modeli ustanowiło rekord na MyST: 8,69% WER dla Whisper-small (Balaji Shankar i wsp., Selective Attention Merging, ICASSP 2025), a model korekty tekstu wytrenowany na 200 tys. par wyjścia ASR i transkrypcji człowieka obniżył liczbę błędów w czterech korpusach dziecięcych. Sposób oczyszczenia zbioru testowego liczy się równie mocno jak metoda: usunięcie plików z WER powyżej 50% lub krótszych niż 3 słowa przesunęło WER testowy Whisper-Large-v1 na MyST z 26,2% do 14,2%, bez żadnej zmiany modelu (Attia i wsp., Kid-Whisper, AIES 2024).
| Metryka | Wartość | Źródło |
|---|---|---|
| WER Whisper Large-V2 na PF-STAR: przed i po dostrojeniu na 10 godzinach mowy dzieci | 73,68% wobec 2,88% | Jain i wsp., Interspeech 2023 |
| WER Whisper-small, bez dodatkowego treningu wobec dostrojonego: test MyST; test OGI Kids | 13,4% wobec 9,3%; 25,4% wobec 1,8% | Fan i wsp., Interspeech 2024 |
| Trenowane parametry, dostrajanie adapterem wobec pełnego dostrajania (oba 9,3% WER na MyST) | 1,29 miliona wobec 242 milionów | Fan i wsp., Interspeech 2024 |
| WER Whisper Medium.en na spontanicznej mowie w CSLU Kids: bez dodatkowego treningu wobec dostrojonego na MyST plus CSLU | 31,85% wobec 16,53% | Attia i wsp., Kid-Whisper, AIES 2024 |
| Whisper-small ze scalaniem Selective Attention plus augmentacją danych, WER na MyST | 8,69% (względny spadek do 14%) | Balaji Shankar i wsp., ICASSP 2025 |
| Generatywna korekta błędów, WER w czterech korpusach dziecięcych: przed wobec po | 30,5% wobec 21,8% (28,5% względnie) | Balaji Shankar i wsp., CHSER, Interspeech 2025 |
| Mieszane dostrajanie na mowie dzieci i dorosłych wobec modelu wstępnie wytrenowanego | do 5% bezwzględnie (21% względnie) niższy WER | Graave i wsp., Interspeech 2024 |
| Współczynnik błędów znaków Whisper-small na mowie mandaryńskiej dzieci w wieku od 3 do 5 lat: bez dodatkowego treningu wobec dostrojonego | 37,99% wobec 17,45% | Zhou i wsp., ChildMandarin 2025 |
Uwaga o wartości odstającej: zyski nie przenoszą się czysto między akcentami, grupami wiekowymi i stylami mówienia. W tym samym badaniu z 2023 roku Whisper Medium uzyskał 19,76% na dzieciach z PF-STAR po dostrojeniu na amerykańskiej mowie z MyST, wobec 3,15% po dostrojeniu na samym PF-STAR.
6. Ocena czytania w klasie: gdzie współczynniki błędów spotykają decyzje
W edukacji WER nie jest metryką końcową. Wirtualny nauczyciel czytania musi zdecydować, czy dziecko przeczytało każde słowo poprawnie, więc transkrypcja może mieć przyzwoity WER i mimo to pomijać błędy, które nauczyciel musi zobaczyć. W holenderskich testach czytania na głos z udziałem 71 dzieci w wieku od 7 do 11 lat Whisper large-v2 bez dostrajania osiągnął współczynnik korelacji Matthewsa (MCC, miara zgodności, w której 0 oznacza przypadek, a 1 zgodność idealną) równy 0,01 w wykrywaniu błędów czytania, wobec 0,63 dla dopasowanego systemu Kaldi (Molenaar i wsp., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Najnowsze dostępne dane: 2023.
Badanie amerykańskie z 2026 roku nad komercyjnym systemem weryfikacji mowy wykazało ten sam wzorzec w zależności od zadania (Petscher i wsp., Frontiers in Education 2026). Zgodność z ludzkimi oceniającymi, mierzona kappą Cohena (zgodność ponad przypadek, od 0 do 1), była najwyższa dla słownictwa czynnego i najniższa dla łączenia fonemów, najbardziej złożonego fonologicznie z trzech zadań. Dopasowanie różniło się też między grupami uczniów w czytaniu słów, co ma znaczenie dla każdego okręgu szkolnego używającego automatycznych przesiewów do wskazywania, które dzieci potrzebują wsparcia w nauce czytania metodą fonetyczną.
| Metryka | Wartość | Źródło |
|---|---|---|
| Dzieci w holenderskim badaniu czytania na głos; zakres wieku | 71; od 7 do 11 | Molenaar i wsp., Interspeech 2023 |
| Zgodność z ludzkimi ocenami błędów czytania (MCC): system Kaldi-PM wobec Whisper large-v2 | 0,63 wobec 0,01 | Molenaar i wsp., Interspeech 2023 |
| WER na czytaniu dzieci względem ręcznych transkrypcji: system Kaldi-PM wobec Whisper large-v2 | 5,2% wobec 13,4% | Molenaar i wsp., Interspeech 2023 |
| Dzieci z zerówki w amerykańskim badaniu weryfikacji mowy | 429 z 20 szkół w trzech stanach | Petscher i wsp., Frontiers in Education 2026 |
| Kappa między systemem a ludzkimi oceniającymi przy progu 50: łączenie fonemów; słownictwo czynne; czytanie słów | 0,16; 0,72; 0,51 | Petscher i wsp., Frontiers in Education 2026 |
| Odsetek odpowiedzi sklasyfikowanych tak samo jak przez ludzkich oceniających przy progu 50, te same trzy zadania | 0,52; 0,87; 0,80 | Petscher i wsp., Frontiers in Education 2026 |
| Kappa czytania słów przy progu 80: uczniowie czarnoskórzy wobec białych | 0,25 wobec 0,47 | Petscher i wsp., Frontiers in Education 2026 |
Uwaga kontekstowa: Kaldi-PM nie jest rozwiązaniem gotowym do wdrożenia, ponieważ jego lista słownictwa łączy polecenia do czytania ze słowami z ręcznych transkrypcji danych testowych. Traktuj go jako miarę tego, co potrafi system o ściśle ograniczonym zakresie, i czytaj 5,2% w świetle tej konfiguracji.
7. Przepisy o prywatności ograniczające zbieranie mowy dzieci
Luka w danych z sekcji 4 jest częściowo skutkiem polityki. Znowelizowana reguła COPPA, opublikowana 22 kwietnia 2025 roku, dodała identyfikatory biometryczne do definicji danych osobowych dzieci i wprost wymienia odciski głosu (FTC, zmiany w COPPA Final Rule 2025). Jej wyjątek od zgody rodziców dla nagrań dźwiękowych obejmuje plik zawierający głos dziecka i żadnych innych danych osobowych, użyty wyłącznie do odpowiedzi na prośbę dziecka i usunięty natychmiast potem, co nie zostawia w ramach tego wyjątku miejsca na przechowywanie pliku jako danych treningowych.
Egzekwowanie potwierdza tekst przepisu. W 2023 roku FTC i Departament Sprawiedliwości oskarżyły Amazon o bezterminowe przechowywanie nagrań dzieci z Alexa; proponowane orzeczenie zawierało karę cywilną w wysokości 25 milionów dolarów i zakaz używania objętych nim danych głosowych do tworzenia lub ulepszania produktów danych (komunikat prasowy FTC, 31 maja 2023). Badacze odpowiadają przeniesieniem rozpoznawania na urządzenie: dostrojony model Whisper tiny.en działał na Raspberry Pi z 15,9% WER na MyST, a motywacją były przepisy o prywatności (Dutta, Chandupatla i Hansen, WOCCI 2025).
| Metryka | Wartość | Źródło |
|---|---|---|
| Wiek objęty COPPA | dzieci poniżej 13. roku życia | Komunikat prasowy FTC, 2023 |
| Znowelizowana reguła COPPA: głosowanie Komisji; przeanalizowane komentarze publiczne | 5-0; prawie 300 | Komunikat prasowy FTC, 16 stycznia 2025 |
| Znowelizowana reguła: publikacja w Federal Register; pełny okres na dostosowanie się | 22 kwietnia 2025; rok od publikacji | FTC, zmiany w COPPA Final Rule 2025 |
| Identyfikatory biometryczne wymienione jako dane osobowe | odciski głosu, obok odcisków palców, szablonów twarzy i wzorców chodu | FTC, COPPA Final Rule 2025 |
| Sprawa Amazon Alexa: kara cywilna; dzieci korzystające z Alexa przez własny profil | 25 milionów dolarów; ponad 800.000 | FTC, komunikat prasowy o Amazon Alexa i blog dla firm, 31 maja 2023 |
| Whisper tiny.en na urządzeniu Raspberry Pi: WER na MyST; z filtrowaniem danych; współczynnik czasu rzeczywistego (czas przetwarzania podzielony przez długość nagrania) | 15,9%; 11,8%; 0,23 do 0,41 | Dutta i wsp., WOCCI 2025 |
Uwaga kontekstowa: polityka egzekwowania FTC z 2017 roku dotycząca nagrań głosowych wprowadziła tę samą logikę krótkiego przechowywania, dopuszczając dźwięk zbierany wyłącznie jako zamiennik słów pisanych i szybko usuwany (oświadczenie FTC o polityce, 2017). Najnowsze dostępne dane o sprawie Amazon: 2023.
Podsumowanie: współczynnik błędów słów w rozpoznawaniu mowy dzieci w liczbach
| Metryka | Wartość | Źródło |
|---|---|---|
| WER Whisper bez dodatkowego treningu w skryptowym teście CSLU Kids: zerówka wobec 4. klasy | 84,6% wobec 17,5% | Singh i wsp., 2025 |
| WER Whisper Large-V2 bez treningu na mowie dzieci: dzieci z MyST wobec czytanej mowy dorosłych | 25,00% wobec 5,40% | Jain i wsp., Interspeech 2023 |
| WER Whisper large bez dodatkowego treningu: wiek od 4 do 7 wobec od 8 do 10 | 43,9% wobec 13,4% | Ying i wsp., WOCCI 2025 |
| Współczynnik błędów weryfikacji mówcy: wiek od 4 do 7 wobec od 11 do 15 | 13,2% wobec 3,73% | Ying i wsp., WOCCI 2025 |
| Dzieci ze średnią wieku 4,9: w pełni poprawne transkrypcje, Whisper large-v3 wobec Google | 36,8% wobec 9,6% | Janssens i wsp., Technological Advances in Human-Robot Interaction 2024 |
| Rozpoznawacze wytrenowane na dorosłych: dzieci wobec dorosłych | od dwóch do pięciu razy gorsze | Potamianos i Narayanan, IEEE TSAP 2003 |
| Wiek, w którym czas trwania segmentów mowy dzieci osiąga poziom dorosłych | około 12 | Lee, Potamianos i Narayanan, JASA 1999 |
| Wskaźnik niepłynności: dzieci wobec dorosłych w Switchboard | 10,1% wobec 6,2% | Tran i wsp., Interspeech 2020 |
| Dane do wstępnego trenowania, Whisper-largeV3 wobec przefiltrowanego zbioru treningowego MyST z mową dzieci | 1.000.000 wobec 133 godzin | Fan i wsp., Interspeech 2024 |
| Rozmiar korpusu MyST | około 470 godzin; 1371 uczniów | Linguistic Data Consortium, LDC2021S05 |
| Mandaryński korpus mowy dzieci, wiek od 3 do 5 lat | 41,25 godziny; 397 mówców | Zhou i wsp., ChildMandarin 2025 |
| Whisper Large-V2 na PF-STAR: przed i po 10 godzinach dostrajania | 73,68% wobec 2,88% | Jain i wsp., Interspeech 2023 |
| Najlepszy zgłoszony WER Whisper-small na MyST (scalanie uwagi plus augmentacja) | 8,69% | Balaji Shankar i wsp., ICASSP 2025 |
| Generatywna korekta błędów w czterech korpusach dziecięcych | WER od 30,5% do 21,8% | Balaji Shankar i wsp., CHSER, Interspeech 2025 |
| Zgodność w wykrywaniu błędów czytania (MCC): system Kaldi-PM wobec Whisper large-v2 | 0,63 wobec 0,01 | Molenaar i wsp., Interspeech 2023 |
| Kappa przesiewu w zerówce: łączenie fonemów wobec słownictwa czynnego | 0,16 wobec 0,72 | Petscher i wsp., Frontiers in Education 2026 |
| Sprawa nagrań głosu dzieci z Amazon Alexa, kara cywilna | 25 milionów dolarów | FTC, 2023 |
Metodologia i źródła
Wykonaliśmy 21 wyszukiwań w sieci i przeczytaliśmy pracę źródłową, wpis katalogowy, artykuł czasopisma lub tekst regulacji stojące za każdą liczbą powyżej. Wartości WER podajemy dokładnie tak, jak drukuje je każda praca; zbiory testowe, normalizacja tekstu i filtrowanie różnią się między badaniami, więc porównuj liczby w obrębie jednego wiersza lub jednego badania, a nie między badaniami. Dane starsze niż trzy lata są w swoich sekcjach oznaczone jako najnowsze dostępne dane.
- Singh, Sahidullah i Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (przesłane do Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran i Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar i Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying i wsp., Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia i wsp., Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens i wsp., Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos i Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos i Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran i wsp., Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole i Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou i wsp., ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar i Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar i wsp., Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar i wsp., CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave i wsp., Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar i wsp., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher i wsp., Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla i 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 stycznia 2025 oraz 16 CFR Part 312: COPPA Final Rule Amendments
- FTC i DOJ, komunikat prasowy o Amazon Alexa, 31 maja 2023 oraz blog FTC dla firm o sprawie Alexa
- Uwaga o danych: (1) wyniki Whisper bez dodatkowego treningu na MyST wahają się od około 12,5% do 25% w zależności od tego, czy zbiór testowy był filtrowany, więc benchmarki z 2023 i 2024 roku nie są bezpośrednio porównywalne. (2) Rozmiar MyST podawany jest jako około 470 godzin (LDC), 393 lub około 400 godzin (praca o korpusie) i około 240 zatranskrybowanych godzin (benchmark z 2024 roku). (3) Wyniki Singh i wsp. według klas to wstępna wersja przed recenzją (preprint), a praca opisuje MyST jako klasy od 3 do 5 w jednym miejscu i klasy od 5 do 8 w innym. (4) Benchmark ESPnet przypisuje swój najlepszy średni WER Whisper-small w jednej sekcji, a Whisper medium w innej. (5) Spadek o 13,3% z abstraktu CHSER dla systemów już dostrojonych dotyczy wyłącznie Whisper Tiny; tekst podaje zakres od 9% do 13,3%. (6) Praca Molenaar i wsp. drukuje MCC Kaldi-PM jako 0,62 w tekście wyników i 0,63 gdzie indziej (używamy 0,63), a jej tabela pokazuje Kaldi-MO, którego słownictwo pochodzi wyłącznie z transkrypcji testowych, na poziomie 0,65. (7) Badanie Frontiers oceniło jeden system komercyjny, więc jego wskaźników zgodności nie należy uogólniać na wszystkie narzędzia do czytania. (8) Kilka podstawowych liczb (1999, 2003, 2020, 2023) oznaczono jako najnowsze dostępne dane; oczekuje się, że prace z ICASSP 2027 zaktualizują wyniki benchmarków.
Ostatnia aktualizacja: 31 października 2026 roku. Aktualizujemy to zestawienie kwartalnie, a następnego odświeżenia spodziewamy się po opublikowaniu materiałów konferencji ICASSP 2027.