Quando o Speech Accessibility Project começou, a maior base de dados de fala atípica incluía 16 pessoas com paralisia cerebral; até o fim de setembro de 2025, cerca de 2.000 participantes haviam enviado gravações ao projeto (Speech Accessibility Project, 2025 e 2026). O Project Euphonia, do Google, o outro grande corpus, chegou a mais de 1,5 milhão de enunciados de cerca de 3.000 falantes em fevereiro de 2025, mas é fechado a equipes externas (Martin et al., Frontiers in Language Sciences 2025; Google Project Euphonia). Mais dados ainda não eliminaram a diferença: em um benchmark de 2026 com oito sistemas de IA, a fala típica ficou abaixo de 5% de taxa de erro de palavras (WER, a parcela de palavras que um sistema erra), enquanto a disartria grave superou 51% em todos os sistemas (Alsayegh e Masood, International Journal of Intelligent Systems 2026). Reunimos dados do Speech Accessibility Project, do Beckman Institute da University of Illinois, do Google Research, do Linguistic Data Consortium, do NIDCD, da ASHA e de mais de uma dúzia de artigos revisados por pares. Nossas estatísticas de viés de sotaque no reconhecimento de fala mostram como esses erros se comparam às diferenças por raça, dialeto e sotaque; este levantamento olha para as próprias bases de dados: qual é o tamanho delas, quem está nelas e o que elas provocam nas taxas de erro.
TL;DR
- Cerca de 2.000 pessoas haviam enviado gravações ao Speech Accessibility Project até o fim de setembro de 2025 (Speech Accessibility Project, 2026).
- O Project Euphonia reunia mais de 1,5 milhão de enunciados de cerca de 3.000 falantes em fevereiro de 2025, e o Google não o compartilha fora da empresa (Martin et al., Frontiers in Language Sciences 2025).
- O TORGO, um benchmark padrão desde 2012, reúne 8 falantes com disartria e cerca de 23 horas de áudio (Linguistic Data Consortium, LDC2012S02).
- O UA-Speech gravou 19 falantes com paralisia cerebral em 2008, e 16 permanecem na distribuição atual (University of Illinois, UA-Speech 2008).
- Doença de Parkinson, paralisia cerebral, ELA, síndrome de Down e AVC estavam planejados com 400 participantes cada no Speech Accessibility Project (ClinicalTrials.gov NCT05889260).
- Falantes com ELA formavam 39,2% de um subconjunto de pesquisa do Euphonia com 195 falantes, contra 10,8% da doença de Parkinson (Tobin e Tomanek, Google 2021).
- Todos os oito sistemas de IA superaram 51% de WER na disartria grave no TORGO (Alsayegh e Masood, IJIS 2026).
- A taxa de erro de caracteres do Whisper-Turbo sem adaptação (zero-shot) no UA-Speech foi de 9,3% para falantes de controle e 165,2% para falantes disártricos (de Groot et al., TU Delft 2025).
- O ajuste fino do USM, do Google, com fala com distúrbios reduziu o WER na fala grave de 48,1 para 31,3 (Tobin et al., Google Research 2024).
- Modelos personalizados melhoraram o WER na ELA em 62% em termos relativos, com 71% do ganho vindo de 5 minutos de dados (Shor et al., Interspeech 2019).
- O TORGO contém apenas 957 textos únicos entre 16.394 entradas de texto (Hui et al., 2024).
- A disartria afeta de 44% a 88% das pessoas com doença de Parkinson (ASHA Practice Portal, Dysarthria in Adults).
1. Os Dois Grandes Corpora: Speech Accessibility Project e Project Euphonia
Os dados de fala com distúrbios já existem em escala comparável à do LibriSpeech, um benchmark amplamente usado de fala lida, mas apenas uma das duas grandes coleções é aberta. Cerca de 2.000 participantes haviam enviado gravações ao Speech Accessibility Project até o fim de setembro de 2025, e o projeto afirma que cerca de 65 organizações usam seus dados. O corpus Euphonia, do Google, é maior em número de falantes, mas a página do projeto declara que o conjunto de dados não está disponível para equipes ou empresas externas (Google, Project Euphonia).
Na prática, isso significa que a pesquisa aberta sobre reconhecimento de fala com distúrbios passa em grande parte por um único guardião. O Speech Accessibility Project libera os dados mediante um acordo de uso de dados (um contrato assinado que define quem pode usar as gravações e para quê), que exige duas assinaturas da organização solicitante e dura no máximo 3 anos (Speech Accessibility Project, página Conduct Research). O crescimento do Euphonia, de 1,2 milhão de enunciados em 2024 para mais de 1,5 milhão em 2025, permanece dentro do Google.
| Métrica | Valor | Fonte |
|---|---|---|
| Participantes que haviam enviado gravações ao Speech Accessibility Project, fim de setembro de 2025 | Cerca de 2.000 | Speech Accessibility Project, página inicial 2026 |
| Pacote de dados do Speech Accessibility Project, descrição do catálogo | Cerca de 1.090 horas de fala de cerca de 1.130 participantes; cinco condições | Catálogo YorVoice da University of York, registro do Speech Accessibility Project |
| Página de acesso à pesquisa do Speech Accessibility Project | 1.500 horas de fala gravada; cerca de 999 participantes; cerca de 65 organizações usando os dados | Speech Accessibility Project, página Conduct Research 2026 |
| Corpus do Project Euphonia, fevereiro de 2025 | Mais de 1,5 milhão de enunciados de cerca de 3.000 falantes | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Corpus do Project Euphonia, 2024 | 1,2 milhão de enunciados de mais de 2.000 falantes | Google (Jiang et al.), Interspeech 2024 |
| Gravações do Euphonia com transcrições corrigidas e revisadas por humanos | 352.130 (29% do corpus) | Google (Jiang et al.), Interspeech 2024 |
| Falantes do Euphonia com rótulos de características da fala | Mais de 75% dos falantes, mais de 40 rótulos | Google (Jiang et al.), Interspeech 2024 |
Contexto: para dar escala, o LibriSpeech, construído a partir de audiolivros lidos, é um corpus de cerca de 1.000 horas (OpenSLR, LibriSpeech). As duas descrições do Speech Accessibility Project não coincidem (mais horas, mas menos participantes na página do próprio projeto), o que registramos na nota sobre os dados. Os números do Euphonia vêm de Jiang et al. e Martin et al..
2. Os Corpora Mais Antigos: TORGO, UA-Speech e a Era dos Poucos Dados
Por mais de uma década, o reconhecimento de fala disártrica foi avaliado com um punhado de falantes. O TORGO contém 8 falantes com disartria (5 homens, 3 mulheres) e 7 falantes de controle, cerca de 23 horas de inglês gravadas em Toronto entre 2008 e 2010. O UA-Speech, gravado na University of Illinois, abrangeu 19 falantes com paralisia cerebral, cada um lendo 765 palavras isoladas (Kim et al., Interspeech 2008). Um modelo divulgado como estado da arte em qualquer um dos dois corpora foi, na prática, testado com menos pessoas do que uma sala de aula típica.
Os corpora também encolhem e se fragmentam com o tempo. O UA-Speech hoje distribui 16 dos 19 falantes originais, porque três retiraram a permissão ou tinham dados corrompidos, e sua licença proíbe o uso comercial (University of Illinois, UA-Speech). Fora do inglês, o quadro é parecido: um corpus italiano de comandos e um corpus de mandarim são construídos, cada um, com algumas dezenas de falantes.
| Métrica | Valor | Fonte |
|---|---|---|
| Falantes do TORGO | 8 com disartria (paralisia cerebral ou ELA) e 7 de controle | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Áudio e lançamento do TORGO | Cerca de 23 horas, gravadas de 2008 a 2010; lançado em 19 de janeiro de 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Material de leitura do TORGO | 162 frases de Yorkston e Beukelman, 460 frases derivadas do TIMIT, além de gravações de movimentos da língua e dos lábios (articulografia eletromagnética) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Falantes do UA-Speech com paralisia cerebral, originais contra atualmente distribuídos | 19 contra 16 | Kim et al., Interspeech 2008; University of Illinois, página do UA-Speech |
| Vocabulário e configuração de gravação do UA-Speech | 765 palavras isoladas por falante, incluindo 300 palavras incomuns distintas; conjunto de 8 microfones | Kim et al., Interspeech 2008 |
| Maior base de dados de fala atípica quando o Speech Accessibility Project começou | 16 pessoas com paralisia cerebral | Speech Accessibility Project, artigo sobre o Microsoft Azure 2025 |
| EasyCall (italiano) | 21.386 gravações de 31 falantes disártricos e 24 saudáveis | Turrisi et al., Interspeech 2021 |
| CDSD (mandarim) | 133 horas de 44 falantes | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Dado mais recente disponível: TORGO (LDC, 2012), UA-Speech (Kim et al., 2008) e EasyCall (Interspeech 2021) têm todos mais de três anos, e continuam sendo os corpora sobre os quais a maioria dos artigos ainda reporta resultados. O artigo do CDSD, em mandarim, descreve as 133 horas como 124 horas de áudio mais 9 horas de vídeo, com 80 das horas de áudio vindas de apenas 8 falantes gravados por 10 horas cada.
3. Quem Está nos Dados: Etiologia, Gravidade e Idioma
Todo grande corpus tende para quem foi mais fácil de recrutar primeiro. O Speech Accessibility Project foi desenhado para 2.000 pessoas, 400 para cada uma de cinco etiologias (a causa médica de base da diferença na fala): doença de Parkinson, ELA, paralisia cerebral, síndrome de Down e AVC (ClinicalTrials.gov NCT05889260). Seu primeiro pacote de dados continha apenas falantes com Parkinson, e o lançamento do desafio de abril de 2024, gravado principalmente em 2023, ainda era dominado por eles (Zheng et al., Interspeech 2025 Challenge). Nossas estatísticas de tratamento da fala e da voz na doença de Parkinson cobrem o lado clínico dessa população.
O viés do Euphonia vai para o outro lado, rumo à ELA e a uma fala mais leve. Em um subconjunto de pesquisa com 195 falantes, a ELA respondia por 39,2% dos falantes e um quarto foi classificado como grave. A maioria das gravações avaliadas no primeiro pacote do Speech Accessibility Project ficava na ponta menos comprometida da escala de inteligibilidade, o que importa porque um conjunto de dados formado principalmente por fala leve favorece a média de um modelo.
| Métrica | Valor | Fonte |
|---|---|---|
| Desenho planejado do Speech Accessibility Project | 2.000 pessoas, 400 por etiologia, 1,2 milhão de amostras de fala (600 por pessoa) | ClinicalTrials.gov NCT05889260, registro do Speech Accessibility Project |
| Inscrição real no registro (que lista a doença de Parkinson e condições parkinsonianas relacionadas) | 485 participantes; estudo concluído em 31 de julho de 2025 | ClinicalTrials.gov NCT05889260, registro do Speech Accessibility Project |
| Lançamento do desafio SAP-240430, divisão de treino | 369 falantes, 131.420 enunciados, 290,35 horas | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Divisões de desenvolvimento e teste do SAP-240430 | Dev 55 falantes (43,56 horas); Test1 50 falantes (42,16 horas); Test2 50 falantes (38,77 horas) | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Recrutamento do primeiro pacote de dados, pessoas cadastradas contra aprovadas contra gravadas | 746 contra 283 contra 253 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Primeiro pacote de dados, avaliações de inteligibilidade em escala de 1 a 7 (1 = menos comprometido) | 76% das gravações avaliadas em 1; 1,5% de 5 a 7 | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Subconjunto de 195 falantes do Euphonia, por etiologia | ELA 39,2%; paralisia cerebral 13,4%; doença de Parkinson 10,8%; deficiência auditiva 5,2%; ataxia 3,1% | Google (Tobin e Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Subconjunto de 195 falantes do Euphonia, por gravidade | Típica 7,7%; leve 35,4%; moderada 31,8%; grave 25,1% | Google (Tobin e Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Contexto: a cobertura de idiomas é a dimensão mais frágil. Todos os participantes do primeiro pacote do Speech Accessibility Project declararam o inglês americano como língua materna (Hasegawa-Johnson et al., JSLHR 2024), e a página do Euphonia, do Google, observa que o programa Speech Accessibility Project está disponível, por enquanto, apenas em inglês. A expansão do Euphonia para mais quatro idiomas havia chegado a 132 falantes em 2025: 76 em japonês, 38 em espanhol, 14 em francês e 4 em hindi (Martin et al., Frontiers in Language Sciences 2025). Pessoas com ELA enfrentam a mesma lacuna à medida que sua fala muda, algo que nossas estatísticas de declínio da fala bulbar na ELA acompanham ao longo do tempo.
4. A Diferença na Taxa de Erro de Palavras para a Fala Disártrica
Os reconhecedores prontos para uso estão perto de resolver a disartria leve e ainda falham na ponta grave. Em um benchmark de 2026 com oito sistemas no TORGO, incluindo Whisper large-v3, Deepgram Nova-3, GPT-4o e Gemini 2.5 Pro, a disartria grave superou 51% de WER em todos os sistemas, enquanto os melhores sistemas tiveram cerca de 1% a 2% na disartria leve (Alsayegh e Masood, IJIS 2026). Os grandes modelos de linguagem multimodais não mostraram vantagem sobre os reconhecedores convencionais nas configurações padrão.
A gravidade, e não a marca do modelo, é a variável que prevê a falha. A referência do próprio Google sobe de 10,7 de WER na fala leve para 48,1 na fala grave em seu conjunto de teste de frases lidas (Tobin et al., Google Research 2024). No UA-Speech, o Whisper-Turbo sem adaptação (zero-shot, ou seja, usado sem nenhum ajuste aos falantes) produziu uma taxa de erro de caracteres acima de 100%, o que acontece quando um modelo gera mais caracteres errados, incluindo palavras inventadas, do que a referência contém.
| Métrica | Valor | Fonte |
|---|---|---|
| TORGO, oito sistemas de IA comerciais e multimodais, fala típica contra disartria grave | Abaixo de 5% de WER contra acima de 51% de WER em todos os sistemas | Alsayegh e Masood, International Journal of Intelligent Systems 2026 |
| TORGO, disartria leve, melhores sistemas | Cerca de 1% a 2% de WER | Alsayegh e Masood, International Journal of Intelligent Systems 2026 |
| Disartria grave, prompt padrão contra prompt de transcrição literal | GPT-4o 60,1% para 52,9%; GPT-4o Mini 66,0% para cerca de 55% | Alsayegh e Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, taxa de erro de caracteres do Whisper-Turbo sem adaptação, falantes de controle contra falantes disártricos | 9,3% contra 165,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Conjunto de teste de frases lidas do Euphonia, WER do USM de referência por gravidade | Leve 10,7; moderada 29,5; grave 48,1 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Conjunto de teste de Parkinson (todas as frases), modelos treinados apenas com fala lida típica | LibriSpeech 100 horas: 45,15% de WER; LibriSpeech 960 horas: 38,76% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Falantes cujo WER de fábrica atingiu uma meta de 15% para automação residencial, todos os falantes contra falantes graves | 35% contra 10% | Google (Tobin e Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Ponto fora da curva: a melhora do GPT-4o com um prompt de transcrição literal mostra que parte dos erros dos modelos multimodais na fala grave vem de reescrever o que foi dito, e não apenas de ouvir mal; os autores relatam que os modelos Gemini não obtiveram nenhum ganho consistente com os mesmos prompts. O número do UA-Speech vem de de Groot et al., que relatam o resultado disártrico apenas de forma agregada, e não por grupo de inteligibilidade, na condição sem adaptação.
5. Ganhos com Modelos Personalizados e com Ajuste Fino
Pequenas quantidades dos dados certos mexem mais nas taxas de erro do que qualquer mudança de arquitetura. Modelos personalizados melhoraram o WER em 62% em termos relativos para falantes com ELA, e 71% dessa melhora veio de apenas 5 minutos de dados de treinamento (Shor et al., Interspeech 2019). Esses modelos foram treinados com 67 falantes com ELA, cerca de 36 horas de áudio (blog do Google Research, 2019).
O resultado mais recente é que um único modelo compartilhado consegue absorver boa parte desse benefício. O USM, do Google, ajustado com 1.158 horas de fala com distúrbios, fechou 64% da distância entre a referência e os modelos por falante, e a Microsoft relata ganhos de precisão de 18% a 60% no Azure AI Speech com os dados do Speech Accessibility Project, dependendo da deficiência do falante. O teto continua sendo a gravidade: o WER de 31,3 do modelo ajustado na fala grave é mais de quatro vezes o de 7,3 na fala leve na mesma tabela (31,3 dividido por 7,3 dá 4,3).
| Métrica | Valor | Fonte |
|---|---|---|
| Melhora relativa do WER com modelos personalizados, fala com ELA contra fala com sotaque | 62% contra 35% | Google (Shor et al.), Interspeech 2019 |
| WER de falantes com ELA após a personalização, frases do banco de mensagens, disartria leve contra mais grave | 10% contra 20% | Google (Shor et al.), Interspeech 2019 |
| Falantes que atingem a meta de 15% de WER para automação residencial com 50 enunciados (3 a 4 minutos) contra 250 enunciados (18 a 20 minutos) | 63% contra 79% | Google (Tobin e Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM ajustado com fala com distúrbios, WER antes contra depois, por gravidade | Leve 10,7 para 7,3; moderada 29,5 para 19,6; grave 48,1 para 31,3 | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Ajuste fino do USM, melhora relativa em fala a partir de frases-guia contra fala conversacional espontânea | 33% contra 26% | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Ganhos do Microsoft Azure AI Speech com dados do Speech Accessibility Project | 18% a 60%, dependendo da deficiência do falante | Speech Accessibility Project, artigo sobre o Microsoft Azure 2025 |
| Taxa de erro de caracteres no teste do CDSD em mandarim, treinado apenas com o CDSD contra pré-treinado com o WenetSpeech e depois ajustado | 24,9% contra 16,4% | Wang et al., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, taxa de erro de caracteres do Whisper-Turbo ajustado, por grupo de inteligibilidade | Muito baixa 64,4%; baixa 44,8%; média 40,1%; alta 30,2% | de Groot et al. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Contexto: os falantes graves continuam sendo o grupo mais difícil, mesmo com todos os seus dados. No estudo de personalização do Euphonia, 69% dos falantes graves atingiram a meta de 15% para automação residencial com todas as suas gravações, contra 99% dos falantes leves (Tobin e Tomanek, 2021). O líder do Speech Accessibility Project afirmou que o treinamento com parte do conjunto de dados reduziu as taxas de erro para pessoas com Parkinson quase pela metade (Speech Accessibility Project, anúncio de compartilhamento de dados 2024). Dado mais recente disponível sobre personalização por falante: Shor et al. (2019) e Tobin e Tomanek (2021).
6. Armadilhas dos Benchmarks: Sobreposição de Frases, Artefatos de Gravação e Ruído nos Rótulos
Corpora pequenos com frases repetidas fazem a precisão publicada parecer melhor do que o uso real. O TORGO contém apenas 957 textos únicos entre 16.394 entradas de texto, e a sobreposição de frases por falante entre os oito falantes disártricos varia de 95,7% a 100% (Hui et al., 2024). Quando os autores refizeram a divisão para que nenhuma frase aparecesse ao mesmo tempo no treino e no teste, o WER de um modelo wav2vec2 para um falante leve subiu de 3,17% para 45,21%. Um modelo pode aprender a lista de frases em vez do falante.
O mesmo efeito aparece no corpus mais novo. Em frases que os falantes de treino também haviam lido, o modelo ajustado do Speech Accessibility Project obteve 5,18% de WER, e o artigo relata separadamente as frases compartilhadas e as não compartilhadas por esse motivo. As condições de gravação são uma segunda armadilha: Schu et al. (2022) constataram que a maioria dos classificadores de disartria de ponta teve o mesmo desempenho ou melhor nos trechos sem fala do UA-Speech e do TORGO, o que significa que podem estar detectando a configuração de gravação, e não a fala.
| Métrica | Valor | Fonte |
|---|---|---|
| Textos únicos do TORGO contra total de entradas de texto | 957 contra 16.394 | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Sobreposição de frases por falante no TORGO, oito falantes disártricos | 95,7% a 100% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER do wav2vec2, falante grave M04, divisão original contra divisão sem sobreposição | 64,50% contra 93,75% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER do wav2vec2, falante leve M03, divisão original contra divisão sem sobreposição | 3,17% contra 45,21% | Hui et al., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Frases de Parkinson compartilhadas com os falantes de treino, modelo treinado com LibriSpeech 960 horas contra ajustado com os dados do projeto | 45,39% contra 5,18% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Revisão de transcrições do Euphonia, transcrições padronizadas por falante contra enunciados com mudanças reais de palavras | 72% em média contra menos de 5% | Google (Jiang et al.), Interspeech 2024 |
| Filtro automático de ausência de fala do Euphonia, parcela das gravações sinalizadas que na verdade continham fala (taxa de omissão falsa) | 47,7% | Google (Jiang et al.), Interspeech 2024 |
| USM ajustado com fala com distúrbios, WER no LibriSpeech Clean em fala típica | 2,4, inalterado nos pesos de dados testados | Google (Tobin et al.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Contexto: o ruído nos rótulos do Euphonia era sobretudo cosmético, já que cerca de 95% das correções eram pontuação, maiúsculas ou outra normalização; o risco maior era o filtro automático descartar fala válida, porém baixa ou lenta, o que elimina justamente os falantes de que um conjunto de dados mais precisa. O resultado do USM responde a uma preocupação comum: acrescentar fala com distúrbios não degradou a precisão em fala típica nos pesos que os autores testaram.
7. Contexto de Prevalência: a População Atendida por Esses Conjuntos de Dados
Os corpora acima cobrem alguns milhares de falantes; a população com diferenças na fala chega aos milhões. Em 2012, 7,7% das crianças americanas de 3 a 17 anos tiveram um distúrbio de comunicação ou de deglutição nos 12 meses anteriores, e os problemas de fala eram o tipo mais comum, com 5,0% (NCHS Data Brief No. 205). Apenas 55,2% dessas crianças receberam algum serviço de intervenção no mesmo ano.
Entre os adultos, a disartria é uma característica frequente de condições neurológicas comuns, e não um distúrbio raro. A revisão da ASHA a situa em 44% a 88% das pessoas com doença de Parkinson e em 22% a 58% das pessoas com AVC agudo (ASHA Practice Portal, Dysarthria in Adults), e são essas faixas, e não a composição de uma amostra por conveniência, que um conjunto de dados representativo precisaria refletir. Os distúrbios de fluência, como a gagueira, acrescentam outra população, traçada em nossas estatísticas demográficas da gagueira.
| Métrica | Valor | Fonte |
|---|---|---|
| Crianças americanas de 3 a 17 anos com distúrbio de comunicação ou de deglutição nos 12 meses anteriores; problemas de fala | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, dados da NHIS de 2012) |
| Prevalência por idade, 3 a 6 anos contra 11 a 17 anos | 11,0% contra 4,9% | NCHS Data Brief No. 205 (2015, dados da NHIS de 2012) |
| Crianças com um distúrbio que receberam serviços de intervenção nos 12 meses anteriores | 55,2% | NCHS Data Brief No. 205 (2015, dados da NHIS de 2012) |
| Adultos americanos que relataram problema de voz nos 12 meses anteriores | 7,6% (cerca de 17,9 milhões) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Americanos que gaguejam; americanos que vivem com afasia | Mais de 3 milhões (cerca de 1%); cerca de 2 milhões, com quase 180.000 novos casos por ano | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Taxas de disartria, doença de Parkinson; esclerose múltipla; AVC agudo; traumatismo cranioencefálico agudo a subagudo | 44% a 88%; 40% a 51%; 22% a 58%; cerca de 30% a 86% | ASHA Practice Portal, Dysarthria in Adults |
| Taxas de disartria, doença de Huntington; doença neuromuscular como a ELA | 78% a 93%; 26% a 62% | ASHA Practice Portal, Dysarthria in Adults |
| Adultos americanos com dificuldades de audição, fala ou linguagem que relataram ter enfrentado estigma | 65% de 1.004 entrevistados | ASHA-YouGov National Poll 2024 |
Dado mais recente disponível: os números de prevalência infantil vêm da National Health Interview Survey de 2012, publicada em 2015, e o próprio resumo do NIDCD (NIDCD Quick Statistics) cita a mesma pesquisa. O número sobre estigma vem de uma pesquisa on-line realizada de 21 a 26 de fevereiro de 2024 (ASHA-YouGov, 2024).
Resumo: Bases de Dados de IA para Fala Atípica e Disártrica em Números
| Métrica | Valor | Fonte |
|---|---|---|
| Participantes que haviam enviado gravações ao Speech Accessibility Project, fim de setembro de 2025 | Cerca de 2.000 | Speech Accessibility Project, página inicial 2026 |
| Pacote de dados do Speech Accessibility Project, descrição do catálogo | Cerca de 1.090 horas de cerca de 1.130 participantes | Catálogo YorVoice da University of York, registro do Speech Accessibility Project |
| Corpus do Project Euphonia, fevereiro de 2025 | Mais de 1,5 milhão de enunciados de cerca de 3.000 falantes | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| Gravações do Euphonia com transcrições revisadas por humanos | 352.130 (29%) | Google (Jiang et al.), Interspeech 2024 |
| Falantes e áudio do TORGO | 8 disártricos e 7 falantes de controle; cerca de 23 horas | Linguistic Data Consortium, LDC2012S02 (2012) |
| Falantes do UA-Speech com paralisia cerebral, originais contra atualmente distribuídos | 19 contra 16 | Kim et al., Interspeech 2008; University of Illinois |
| Desenho planejado do Speech Accessibility Project | 2.000 pessoas, 400 por etiologia | ClinicalTrials.gov NCT05889260 |
| Divisão de treino do SAP-240430 | 369 falantes, 290,35 horas | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Subconjunto de 195 falantes do Euphonia, participação da ELA contra a do Parkinson | 39,2% contra 10,8% | Google (Tobin e Tomanek) 2021 |
| Falantes não ingleses do Euphonia, 2025 | 132 (japonês 76, espanhol 38, francês 14, hindi 4) | Google (Martin et al.), Frontiers in Language Sciences 2025 |
| TORGO, fala típica contra disartria grave, oito sistemas de IA | Abaixo de 5% contra acima de 51% de WER | Alsayegh e Masood, IJIS 2026 |
| UA-Speech, taxa de erro de caracteres do Whisper-Turbo sem adaptação, controle contra disártricos | 9,3% contra 165,2% | de Groot et al. (TU Delft) 2025 |
| WER do USM em fala com distúrbio grave, antes contra depois do ajuste fino | 48,1 contra 31,3 | Google (Tobin et al.) 2024 |
| Modelos personalizados, melhora relativa do WER na fala com ELA | 62%, com 71% do ganho vindo de 5 minutos de dados | Google (Shor et al.), Interspeech 2019 |
| Frases de Parkinson compartilhadas com os falantes de treino, modelo LibriSpeech de 960 horas contra modelo ajustado com os dados do projeto | 45,39% contra 5,18% de WER | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Textos únicos do TORGO contra entradas de texto | 957 contra 16.394 | Hui et al., arXiv 2024 |
| Crianças americanas de 3 a 17 anos com distúrbio de comunicação ou de deglutição (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Disartria entre pessoas com doença de Parkinson | 44% a 88% | ASHA Practice Portal, Dysarthria in Adults |
Metodologia e Fontes
Fizemos 17 buscas e lemos a página primária do conjunto de dados, o registro, o artigo de periódico ou o preprint por trás de cada número. As taxas de erro são reportadas na notação de cada fonte: WER para a taxa de erro de palavras e taxa de erro de caracteres (CER) quando a fonte a usa (ajuste fino no UA-Speech e o corpus de mandarim), com ou sem sinal de porcentagem, conforme a fonte imprime. Números com mais de três anos são sinalizados em suas seções como dado mais recente disponível.
- Página inicial do 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
- Catálogo YorVoice da University of York, registro do Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson et al., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng et al., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, página de publicações e de acesso a dados do Project Euphonia
- Jiang et al. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin et al. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin e Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek e Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor et al. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 e a postagem do blog do Google Research sobre a personalização do Euphonia, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim et al., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 e a página de distribuição do UA-Speech, University of Illinois
- Turrisi et al., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang et al., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh e Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot et al. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang e Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi e Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, corpus LibriSpeech ASR
- Black, Vahratian e 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
- Nota sobre os dados: o tamanho do Speech Accessibility Project é descrito de três maneiras. Sua página de pesquisa informa 1.500 horas de cerca de 999 participantes, o registro do catálogo da University of York informa cerca de 1.090 horas de cerca de 1.130 participantes, e a página inicial conta cerca de 2.000 pessoas que haviam enviado gravações até setembro de 2025 (gravações enviadas não são o mesmo que dados liberados e transcritos); relatamos as três em vez de escolher uma. O registro do ClinicalTrials.gov lista apenas a doença de Parkinson e condições parkinsonianas relacionadas, portanto sua inscrição real de 485 não deve ser lida como o total do projeto. O artigo do JSLHR informa o conjunto de treino do primeiro pacote como 190 falantes na seção de Métodos e 191 na de Resultados. O resumo do artigo do TORGO em periódico descreve sete indivíduos com distúrbios de fala, enquanto o lançamento do LDC lista oito falantes disártricos; usamos o número do LDC. O resumo do artigo do USM descreve cerca de 1.000 horas de fala com distúrbios e menos de 1% dos dados de treino, enquanto sua tabela de treino lista 1.158 horas. O artigo do CDSD descreve a Parte B como 8 falantes em uma seção e 7 em outra, depois que um falante foi removido por erros de anotação. Em Tobin e Tomanek, o texto diz que 90% dos falantes leves atingem a meta com 50 enunciados, enquanto a tabela mostra 93%. O número de 18% a 60% da Microsoft é descrito como ganhos de precisão, sem métrica nem conjunto de teste informados. Os dois números do corpus Euphonia (2024 e 2025) refletem crescimento, não conflito. Prevalência infantil: o NIDCD informa 7,2% apenas para distúrbios de voz, fala ou linguagem, contra os 7,7% do NCHS, que também contam a deglutição.
Última atualização: 24 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando o Speech Accessibility Project publicar seu próximo pacote de dados e o lançamento da divisão de treino e teste.