Usado sem ajuste, o Whisper produziu uma taxa de erro de palavras de 84,6% para crianças do jardim de infância lendo frases roteirizadas, contra 17,5% para alunos do 4º ano no mesmo teste (Singh, Sahidullah e Kinnunen, Causal Analysis of ASR Errors for Children, 2025). A taxa de erro de palavras (WER) é a proporção de palavras que um sistema substitui, omite ou insere em comparação com uma transcrição humana, e por isso pode até passar de 100%. A mesma família de modelos teve 25,00% de WER em crianças americanas conversando com um tutor de ciências e 5,40% em fala lida de adultos (Jain et al., Interspeech 2023), e a diferença acompanha os dados de treinamento: o maior corpus público de fala infantil em inglês reúne cerca de 470 horas (Linguistic Data Consortium, LDC2021S05), enquanto o Whisper-largeV3 foi treinado com 1 milhão de horas (Fan et al., Interspeech 2024). A idade é apenas um eixo do problema; as lacunas de sotaque e dialeto e as taxas de alucinação seguem uma lógica semelhante de cobertura de dados. Reunimos dados de artigos do Interspeech, ICASSP e WOCCI, do Journal of the Acoustical Society of America, do Linguistic Data Consortium, do Frontiers in Education e da Federal Trade Commission dos EUA.
TL;DR
- WER do Whisper sem ajuste no teste com fala roteirizada do CSLU Kids: 84,6% no jardim de infância contra 17,5% no 4º ano (Singh et al., 2025).
- Whisper Large-V2 sem ajuste: 25,00% de WER na fala infantil do MyST contra 5,40% na fala de adultos do LibriTTS (Jain et al., Interspeech 2023).
- Whisper large sem ajuste: 43,9% de WER para 4 a 7 anos contra 13,4% para 8 a 10 anos (Ying et al., WOCCI 2025).
- A taxa de disfluência das crianças foi de 10,1% contra 6,2% em conversas adultas do Switchboard (Tran et al., Interspeech 2020).
- Whisper-largeV3 treinado com 1 milhão de horas contra 133 horas de dados de treinamento MyST infantis filtrados (Fan et al., Interspeech 2024).
- Apenas cerca de 45% dos 227.567 enunciados do MyST estão transcritos (Linguistic Data Consortium, LDC2021S05).
- O ajuste fino com 10 horas de fala infantil reduziu o WER do Whisper Large-V2 no PF-STAR de 73,68% para 2,88% (Jain et al., Interspeech 2023).
- A correção generativa de erros reduziu o WER infantil de 30,5% para 21,8%, uma queda relativa de 28,5% (Balaji Shankar et al., CHSER, Interspeech 2025).
- Um sistema de triagem de leitura concordou com avaliadores humanos com kappa de 0,16 para fusão de fonemas contra 0,72 para vocabulário (Petscher et al., Frontiers in Education 2026).
- A COPPA Rule alterada lista impressões de voz como informação pessoal e exige que o áudio seja excluído logo após o uso (FTC, COPPA Final Rule 2025).
1. A Diferença entre Crianças e Adultos sem Ajuste
O número principal de qualquer produto de fala infantil é o resultado sem ajuste, ou seja, o desempenho de um modelo usado como foi entregue, sem treinamento extra com gravações de crianças. O Whisper Large-V2 teve 25,00% de WER na fala infantil do MyST e 73,68% em crianças britânicas do corpus PF-STAR, contra 5,40% em fala lida de adultos, cerca de 4,6 vezes e 13,6 vezes a taxa dos adultos (25,00 / 5,40 e 73,68 / 5,40) na mesma avaliação (Jain et al., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Dado mais recente disponível para essa comparação: 2023.
Modelos mais novos estreitam a diferença, mas não a fecham. Em um benchmark de 2024, os modelos Canary e Parakeet da NVIDIA superaram todos os tamanhos do Whisper na fala infantil apesar de conjuntos de treinamento muito menores, o que levou os autores a concluir que a qualidade dos dados às vezes importa mais do que o volume (Fan, Balaji Shankar e Alwan, Interspeech 2024). A proporção é teimosa há duas décadas: um estudo do IEEE de 2003 já relatava taxas de erro infantis de duas a cinco vezes a taxa dos adultos.
| Métrica | Valor | Fonte |
|---|---|---|
| WER do Whisper Large-V2 sem treinamento infantil: crianças do MyST contra fala lida de adultos do LibriTTS | 25,00% contra 5,40% | Jain et al., Interspeech 2023 |
| WER do Whisper Large-V2 sem treinamento infantil: crianças britânicas do PF-STAR; fala lida do CMU Kids | 73,68%; 12,69% | Jain et al., Interspeech 2023 |
| WER do Whisper-largeV3 sem ajuste: teste MyST contra teste OGI Kids | 12,6% contra 19,9% | Fan et al., Interspeech 2024 |
| WER sem ajuste do Canary (1B) contra Parakeet-RNNT (1,1B) no teste MyST; no teste OGI | 9,5% contra 11,1%; 18,2% contra 16,7% | Fan et al., Interspeech 2024 |
| WER do Whisper Medium.en sem ajuste: fala espontânea do CSLU Kids contra test-clean de adultos do LibriSpeech | 31,85% contra 3,02% | Attia et al., Kid-Whisper, AAAI/ACM AIES 2024 |
| Taxa de erro de reconhecedores treinados com adultos em crianças contra adultos | de duas a cinco vezes pior | Potamianos e Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Nota de contexto: os dois números do Whisper no MyST (25,00% e 12,6%) não representam uma contradição na qualidade do modelo. O benchmark de 2024 removeu enunciados com WER acima de 50% ou com menos de 3 palavras antes de pontuar, o que sozinho desloca os resultados em vários pontos (veja a seção 5).
2. Taxas de Erro por Faixa Etária
“Crianças” não são uma população única. No teste com fala roteirizada do CSLU Kids, o Whisper sem ajuste foi de 84,6% de WER no jardim de infância para 37,5% no 1º ano e 17,5% no 4º ano, uma diferença de 4,8 vezes (84,6 / 17,5) dentro de um único conjunto de teste (Singh, Sahidullah e Kinnunen, Causal Analysis of ASR Errors for Children, 2025). A maior parte da melhora chega até o 4º ano; depois disso a curva deixa de cair, e o WER do Whisper do 6º ao 10º ano fica acima do seu mínimo no 4º ano.
Um benchmark ESPnet de 2025 encontrou o mesmo precipício com outros modelos. O Whisper large sem ajuste teve 43,9% para 4 a 7 anos, depois voltou a subir de 13,4% aos 8 a 10 anos para 18,6% aos 11 a 15 anos, enquanto um modelo aberto ajustado com fala infantil ficou abaixo de 10% em todas as faixas (Ying et al., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). A mesma penalidade de idade aparece na verificação de locutor (checar se duas gravações vêm da mesma pessoa), o que importa para qualquer login por voz em contas infantis.
| Métrica | Valor | Fonte |
|---|---|---|
| WER do Whisper sem ajuste no teste com fala roteirizada do CSLU Kids: jardim de infância contra 4º ano | 84,6% contra 17,5% | Singh et al., 2025 |
| Mesmo teste: 1º ano; 2º ano; 3º ano | 37,5%; 28,0%; 23,1% | Singh et al., 2025 |
| Mesmo teste: 10º ano | 22,4% | Singh et al., 2025 |
| WER do Whisper large sem ajuste por idade: 4 a 7; 8 a 10; 11 a 15 | 43,9%; 13,4%; 18,6% | Ying et al., WOCCI 2025 |
| OWSM v3.1 ajustado com fala infantil, WER por idade: 4 a 7; 8 a 10; 11 a 15 | 9,0%; 7,3%; 1,8% | Ying et al., WOCCI 2025 |
| Taxa de erro igual na verificação de locutor (proporção de decisões erradas de aceitar/rejeitar no ponto de equilíbrio), 4 a 7 anos contra 11 a 15 anos | 13,2% contra 3,73% | Ying et al., WOCCI 2025 |
| Enunciados de crianças com idade média de 4,9 transcritos de forma totalmente correta: Whisper large-v3 contra ASR em nuvem do Google (2024) | 36,8% contra 9,6% | Janssens et al., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Nota sobre valores atípicos: o modelo MMS teve 193,3% de WER no 6º ano no teste de Singh et al., porque inseriu muito mais palavras do que foram faladas. Um WER acima de 100% indica inserções descontroladas, não um erro de digitação.
3. Por que a Fala Infantil Quebra Modelos Treinados com Adultos: Acústica e Disfluência
Dois mecanismos dominam. Primeiro, a própria voz é um alvo em movimento. Um estudo com 436 crianças de 5 a 17 anos e 56 adultos constatou que a duração dos segmentos converge para níveis adultos só por volta dos 12 anos, com a variabilidade da frequência fundamental e dos formantes (as ressonâncias que identificam as vogais) levando cerca de 2 a 3 anos a mais (Lee, Potamianos e Narayanan, JASA 1999). Um modelo ajustado às ressonâncias adultas está, na prática, ouvindo outro instrumento. Dado mais recente disponível: Lee, Potamianos e Narayanan, 1999.
Segundo, crianças falam de modo diferente. Suas explicações espontâneas mostraram taxas de disfluência e de preenchimentos maiores do que conversas adultas, incluindo muito mais ‘um’ e mais palavras cortadas no meio (Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Uma modelagem causal de 2025 colocou a idade e o número de palavras em um enunciado no topo dos fatores de erro, à frente do ruído de fundo e da habilidade de pronúncia. A fala que foge da norma adulta por razões clínicas enfrenta a mesma armadilha, como mostra nosso levantamento de dados sobre fala disártrica e atípica.
| Métrica | Valor | Fonte |
|---|---|---|
| Falantes no estudo de acústica do desenvolvimento | 436 crianças de 5 a 17 anos; 56 adultos | Lee, Potamianos e Narayanan, JASA 1999 |
| Idade em que a duração dos segmentos chega a níveis adultos | por volta de 12 | Lee, Potamianos e Narayanan, JASA 1999 |
| Tempo extra para a variabilidade intralocutor da frequência fundamental e dos formantes chegar à faixa adulta | cerca de 2 a 3 anos | Lee, Potamianos e Narayanan, JASA 1999 |
| Idade em que os padrões de frequência fundamental e formantes de meninos e meninas começam a se separar; totalmente estabelecidos | cerca de 11; cerca de 15 | Lee, Potamianos e Narayanan, JASA 1999 |
| Taxa de disfluência: crianças contra conversas adultas do Switchboard contra conversas adultas do CallHome | 10,1% contra 6,2% contra 6,3% | Tran et al., Interspeech 2020 |
| Taxa do preenchimento ‘um’: crianças contra adultos do Switchboard | 2,3% contra 0,5% | Tran et al., Interspeech 2020 |
| Taxa de fragmentos de palavras (palavras cortadas no meio): crianças contra adultos do Switchboard | 1,8% contra 0,5% | Tran et al., Interspeech 2020 |
Nota de contexto: o corpus de disfluência é pequeno (26 crianças, cerca de 1,26 hora de fala infantil), e o artigo informa a idade das crianças como 4,8 a 7 em um trecho e 5 a 8 em outro. Dado mais recente disponível: 2020.
4. Escassez de Dados: Horas de Fala Infantil contra Conjuntos de Treinamento de Modelos de Base
A diferença de tamanho é de várias ordens de grandeza. O Whisper-largeV3 foi treinado com 1 milhão de horas de áudio, enquanto um benchmark de 2024 tinha 133 horas de fala infantil do MyST filtrada para ajuste fino, de modo que o conjunto infantil equivale a cerca de 0,0133% desse volume de pré-treinamento (133 / 1.000.000) (Fan et al., Interspeech 2024). Até o Parakeet, mais enxuto, viu 64.000 horas, cerca de 480 vezes a divisão de treinamento do MyST (64.000 / 133).
O próprio MyST só é grande para os padrões da fala infantil. O catálogo do Linguistic Data Consortium lista cerca de 470 horas de 1.371 alunos do 3º ao 5º ano, coletadas entre 2008 e 2017, com 102.433 de 227.567 enunciados transcritos (LDC2021S05, MyST Children’s Conversational Speech). Seus criadores descrevem o corpus como tendo cerca de 400 horas e destacam como é difícil obter fala infantil em escala (Pradhan, Cole e Ward, LREC-COLING 2024). Crianças menores e outros idiomas têm muito menos: um corpus de mandarim de 2025 para 3 a 5 anos reúne 41,25 horas (Zhou et al., ChildMandarin 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Dados de pré-treinamento: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 horas | Fan et al., Interspeech 2024 |
| Corpus MyST conforme catalogado | cerca de 470 horas; 1.371 alunos do 3º ao 5º ano; 10.496 sessões de tutoria | Linguistic Data Consortium, LDC2021S05 (2021) |
| Enunciados do MyST com transcrição | 102.433 de 227.567 (cerca de 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Corpus ChildMandarin, crianças de 3 a 5 anos | 41,25 horas; 397 falantes | Zhou et al., ChildMandarin 2025 |
| Corpus de crianças em inglês britânico PF-STAR, conforme listado em um levantamento de corpora de 2025 | 14,5 horas; 158 falantes de 4 a 14 anos | Zhou et al., ChildMandarin 2025 |
| CMU Kids; fala roteirizada do OGI Kids | 9 horas, 76 falantes; 70 horas, 1.118 falantes | Ying et al., WOCCI 2025 |
| Dados de treinamento infantis contra adultos em um estudo de transferência de aprendizado de 2018 | 91,61 horas (6 a 14 anos) contra 205,82 horas (adultos do TED-LIUM) | Shivakumar e Georgiou, arXiv 2018 |
Nota de contexto: a contagem de horas do MyST varia conforme a fonte (cerca de 470 no catálogo do LDC, 393 ou cerca de 400 no artigo do corpus, cerca de 240 horas transcritas no benchmark de 2024). Informamos cada número com sua própria fonte.
5. Ganhos com Ajuste Fino e Adaptação
Ajuste fino significa continuar treinando um modelo com gravações de crianças. É a correção mais confiável, e os ganhos são maiores onde o modelo sem ajuste era pior. O Whisper Large-V2 caiu de 73,68% para 2,88% de WER em crianças britânicas do PF-STAR depois de ajuste fino com apenas 10 horas de fala do PF-STAR (Jain et al., Interspeech 2023). Na fala conversacional do MyST, o Whisper-small foi de 13,4% para 9,3%, uma redução relativa de 30,6% ((13,4 - 9,3) / 13,4), e um pequeno módulo adaptador que atualiza 1,29 milhão de parâmetros igualou o ajuste fino completo de 242 milhões.
As técnicas mais novas buscam os últimos pontos. Mesclar apenas os pesos de atenção de modelos relacionados estabeleceu um recorde no MyST de 8,69% de WER para o Whisper-small (Balaji Shankar et al., Selective Attention Merging, ICASSP 2025), e um modelo de correção de texto treinado com 200K pares de saída do ASR e transcrição humana reduziu os erros em quatro corpora infantis. A forma como um conjunto de teste é limpo importa tanto quanto o método: descartar arquivos com WER acima de 50% ou com menos de 3 palavras levou o WER de teste do Whisper-Large-v1 no MyST de 26,2% para 14,2%, sem nenhuma mudança no modelo (Attia et al., Kid-Whisper, AIES 2024).
| Métrica | Valor | Fonte |
|---|---|---|
| WER do Whisper Large-V2 no PF-STAR: antes contra depois do ajuste fino com 10 horas de fala infantil | 73,68% contra 2,88% | Jain et al., Interspeech 2023 |
| WER do Whisper-small, sem ajuste contra ajustado: teste MyST; teste OGI Kids | 13,4% contra 9,3%; 25,4% contra 1,8% | Fan et al., Interspeech 2024 |
| Parâmetros treinados, ajuste por adaptadores contra ajuste fino completo (ambos com 9,3% de WER no MyST) | 1,29 milhão contra 242 milhões | Fan et al., Interspeech 2024 |
| WER do Whisper Medium.en na fala espontânea do CSLU Kids: sem ajuste contra ajustado com MyST mais CSLU | 31,85% contra 16,53% | Attia et al., Kid-Whisper, AIES 2024 |
| Whisper-small com mesclagem Selective Attention mais aumento de dados, WER no MyST | 8,69% (redução relativa de até 14%) | Balaji Shankar et al., ICASSP 2025 |
| Correção generativa de erros, WER em quatro corpora infantis: antes contra depois | 30,5% contra 21,8% (28,5% relativos) | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Ajuste fino misto com fala de crianças e adultos contra o modelo pré-treinado | WER até 5% absolutos (21% relativos) menor | Graave et al., Interspeech 2024 |
| Taxa de erro de caracteres do Whisper-small em fala de mandarim de crianças de 3 a 5 anos: sem ajuste contra ajustado | 37,99% contra 17,45% | Zhou et al., ChildMandarin 2025 |
Nota sobre valores atípicos: os ganhos não se transferem de forma limpa entre sotaques, idades e estilos de fala. No mesmo estudo de 2023, o Whisper Medium teve 19,76% em crianças do PF-STAR depois de ajuste fino com fala americana do MyST, contra 3,15% depois de ajuste fino com o próprio PF-STAR.
6. Avaliação de Leitura em Sala de Aula: Onde as Taxas de Erro Encontram as Decisões
Na educação, o WER não é a métrica final. Um tutor de leitura precisa decidir se a criança leu cada palavra corretamente, então uma transcrição pode registrar um WER respeitável e ainda assim deixar passar os erros que um professor precisa ver. Em testes holandeses de leitura oral com 71 crianças de 7 a 11 anos, o Whisper large-v2 sem ajuste fino chegou a um coeficiente de correlação de Matthews (MCC, um índice de concordância em que 0 significa acaso e 1 significa perfeição) de 0,01 na detecção de erros de leitura, contra 0,63 de um sistema Kaldi sob medida (Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Dado mais recente disponível: 2023.
Um estudo americano de 2026 sobre um sistema comercial de verificação de fala encontrou o mesmo padrão por tarefa (Petscher et al., Frontiers in Education 2026). A concordância com avaliadores humanos, medida pelo kappa de Cohen (concordância além do acaso, de 0 a 1), foi mais alta para vocabulário expressivo e mais baixa para fusão de fonemas, a mais complexa do ponto de vista fonológico entre as três tarefas. O ajuste também diferiu entre grupos de estudantes na leitura de palavras, uma descoberta que importa para qualquer rede de ensino que use triagem automatizada para decidir quais crianças precisam de apoio em fônica.
| Métrica | Valor | Fonte |
|---|---|---|
| Crianças no estudo holandês de leitura oral; faixa etária | 71; 7 a 11 | Molenaar et al., Interspeech 2023 |
| Concordância com julgamentos humanos de erros de leitura (MCC): sistema Kaldi-PM contra Whisper large-v2 | 0,63 contra 0,01 | Molenaar et al., Interspeech 2023 |
| WER na leitura das crianças em relação a transcrições manuais: sistema Kaldi-PM contra Whisper large-v2 | 5,2% contra 13,4% | Molenaar et al., Interspeech 2023 |
| Crianças do jardim de infância no estudo americano de verificação de fala | 429 de 20 escolas em três estados | Petscher et al., Frontiers in Education 2026 |
| Kappa entre o sistema e avaliadores humanos no limiar de 50: fusão de fonemas; vocabulário expressivo; leitura de palavras | 0,16; 0,72; 0,51 | Petscher et al., Frontiers in Education 2026 |
| Proporção de respostas classificadas da mesma forma que pelos avaliadores humanos no limiar de 50, mesmas três tarefas | 0,52; 0,87; 0,80 | Petscher et al., Frontiers in Education 2026 |
| Kappa na leitura de palavras no limiar de 80: estudantes negros contra estudantes brancos | 0,25 contra 0,47 | Petscher et al., Frontiers in Education 2026 |
Nota de contexto: o Kaldi-PM não é um atalho implantável, porque sua lista de vocabulário combina os textos de leitura com palavras das transcrições manuais dos dados de teste. Trate-o como uma medida do que um sistema fortemente restrito consegue fazer e leia os 5,2% à luz dessa configuração.
7. Regras de Privacidade que Limitam a Coleta de Fala Infantil
A lacuna de dados da seção 4 é em parte resultado de políticas. A COPPA Rule alterada, publicada em 22 de abril de 2025, incluiu identificadores biométricos na definição de informação pessoal de crianças e cita explicitamente as impressões de voz (FTC, COPPA Final Rule Amendments 2025). Sua exceção de consentimento parental para áudio cobre um arquivo que contém a voz da criança e nenhuma outra informação pessoal, usado apenas para atender ao pedido da criança e excluído imediatamente depois, o que não deixa espaço, nessa exceção, para guardar o arquivo como dado de treinamento.
A fiscalização reforça o texto. Em 2023, a FTC e o Departamento de Justiça acusaram a Amazon de manter indefinidamente as gravações da Alexa feitas por crianças; a ordem proposta trazia uma multa civil de 25 milhões de dólares e proibia o uso dos dados de voz abrangidos para construir ou melhorar produtos de dados (comunicado de imprensa da FTC, 31 de maio de 2023). Os pesquisadores respondem levando o reconhecimento para o próprio dispositivo: um modelo Whisper tiny.en ajustado rodou em um Raspberry Pi com 15,9% de WER no MyST, citando as regras de privacidade como motivação (Dutta, Chandupatla e Hansen, WOCCI 2025).
| Métrica | Valor | Fonte |
|---|---|---|
| Idade coberta pela COPPA | crianças menores de 13 anos | Comunicado de imprensa da FTC, 2023 |
| COPPA Rule alterada: votação da Comissão; comentários públicos analisados | 5-0; quase 300 | Comunicado de imprensa da FTC, 16 de janeiro de 2025 |
| Regra alterada: publicação no Federal Register; prazo completo de conformidade | 22 de abril de 2025; um ano após a publicação | FTC, COPPA Final Rule Amendments 2025 |
| Identificadores biométricos citados como informação pessoal | impressões de voz, ao lado de impressões digitais, modelos faciais e padrões de marcha | FTC, COPPA Final Rule 2025 |
| Caso Amazon Alexa: multa civil; crianças que usam a Alexa por meio de seu próprio perfil | 25 milhões de dólares; mais de 800.000 | FTC, comunicado de imprensa e blog empresarial sobre a Amazon Alexa, 31 de maio de 2023 |
| Whisper tiny.en no próprio dispositivo, em um Raspberry Pi: WER no MyST; com filtragem de dados; fator de tempo real (tempo de processamento dividido pela duração do áudio) | 15,9%; 11,8%; 0,23 a 0,41 | Dutta et al., WOCCI 2025 |
Nota de contexto: a política de fiscalização da FTC de 2017 sobre gravações de voz estabeleceu a mesma lógica de retenção curta, permitindo áudio coletado apenas como substituto de palavras escritas e excluído prontamente (declaração de política da FTC, 2017). Dado mais recente disponível sobre o caso da Amazon: 2023.
Resumo: Taxa de Erro de Palavras no Reconhecimento de Fala Infantil em Números
| Métrica | Valor | Fonte |
|---|---|---|
| WER do Whisper sem ajuste no teste com fala roteirizada do CSLU Kids: jardim de infância contra 4º ano | 84,6% contra 17,5% | Singh et al., 2025 |
| WER do Whisper Large-V2 sem treinamento infantil: crianças do MyST contra fala lida de adultos | 25,00% contra 5,40% | Jain et al., Interspeech 2023 |
| WER do Whisper large sem ajuste: 4 a 7 anos contra 8 a 10 anos | 43,9% contra 13,4% | Ying et al., WOCCI 2025 |
| Taxa de erro na verificação de locutor: 4 a 7 anos contra 11 a 15 anos | 13,2% contra 3,73% | Ying et al., WOCCI 2025 |
| Crianças com idade média de 4,9: transcrições totalmente corretas, Whisper large-v3 contra Google | 36,8% contra 9,6% | Janssens et al., Technological Advances in Human-Robot Interaction 2024 |
| Reconhecedores treinados com adultos em crianças contra adultos | de duas a cinco vezes pior | Potamianos e Narayanan, IEEE TSAP 2003 |
| Idade em que a duração dos segmentos das crianças chega a níveis adultos | por volta de 12 | Lee, Potamianos e Narayanan, JASA 1999 |
| Taxa de disfluência: crianças contra adultos do Switchboard | 10,1% contra 6,2% | Tran et al., Interspeech 2020 |
| Dados de pré-treinamento, Whisper-largeV3 contra conjunto de treinamento infantil MyST filtrado | 1.000.000 contra 133 horas | Fan et al., Interspeech 2024 |
| Tamanho do corpus MyST | cerca de 470 horas; 1.371 alunos | Linguistic Data Consortium, LDC2021S05 |
| Corpus infantil de mandarim, 3 a 5 anos | 41,25 horas; 397 falantes | Zhou et al., ChildMandarin 2025 |
| Whisper Large-V2 no PF-STAR: antes contra depois de 10 horas de ajuste fino | 73,68% contra 2,88% | Jain et al., Interspeech 2023 |
| Melhor WER relatado do Whisper-small no MyST (mesclagem de atenção mais aumento de dados) | 8,69% | Balaji Shankar et al., ICASSP 2025 |
| Correção generativa de erros em quatro corpora infantis | WER de 30,5% para 21,8% | Balaji Shankar et al., CHSER, Interspeech 2025 |
| Concordância na detecção de erros de leitura (MCC): sistema Kaldi-PM contra Whisper large-v2 | 0,63 contra 0,01 | Molenaar et al., Interspeech 2023 |
| Kappa na triagem do jardim de infância: fusão de fonemas contra vocabulário expressivo | 0,16 contra 0,72 | Petscher et al., Frontiers in Education 2026 |
| Caso dos dados de voz de crianças da Amazon Alexa, multa civil | 25 milhões de dólares | FTC, 2023 |
Metodologia e Fontes
Fizemos 21 buscas na web e lemos o artigo primário, o registro de catálogo, o artigo de periódico ou o texto regulatório por trás de cada número acima. Os valores de WER são informados exatamente como cada artigo os imprime; conjuntos de teste, normalização de texto e filtragem diferem entre os estudos, então compare números dentro de uma linha ou de um mesmo estudo, e não entre estudos. Números com mais de três anos são sinalizados em suas seções como dado mais recente disponível.
- Singh, Sahidullah and Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (enviado à Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran and Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar and Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying et al., Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia et al., Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens et al., Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos and Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos and Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole and Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou et al., ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar and Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar et al., Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar et al., CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave et al., Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher et al., Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla and 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 de janeiro de 2025 e 16 CFR Part 312: COPPA Final Rule Amendments
- FTC e DOJ, comunicado de imprensa sobre a Amazon Alexa, 31 de maio de 2023 e blog empresarial da FTC sobre o caso Alexa
- Nota sobre os dados: (1) os resultados do Whisper sem ajuste no MyST variam de cerca de 12,5% a 25% conforme o conjunto de teste tenha sido filtrado ou não, então os benchmarks de 2023 e 2024 não são diretamente comparáveis. (2) O tamanho do MyST é informado como cerca de 470 horas (LDC), 393 ou cerca de 400 horas (artigo do corpus) e cerca de 240 horas transcritas (benchmark de 2024). (3) Os resultados por ano escolar de Singh et al. são um preprint, e o artigo descreve o MyST como do 3º ao 5º ano em um trecho e do 5º ao 8º ano em outro. (4) O benchmark ESPnet atribui seu melhor WER médio ao Whisper-small em uma seção e ao Whisper medium em outra. (5) A redução de 13,3% citada no resumo do CHSER para sistemas já ajustados vale apenas para o Whisper Tiny; o texto informa uma faixa de 9% a 13,3%. (6) O artigo de Molenaar et al. imprime o MCC do Kaldi-PM como 0,62 no texto dos resultados e 0,63 em outro ponto (usamos 0,63), e sua tabela mostra o Kaldi-MO, cujo vocabulário vem apenas das transcrições de teste, em 0,65. (7) O estudo da Frontiers avaliou um único sistema comercial, portanto seus números de concordância não devem ser generalizados para todas as ferramentas de leitura. (8) Vários números fundamentais (1999, 2003, 2020, 2023) são sinalizados como dado mais recente disponível; espera-se que os artigos do ICASSP 2027 atualizem os números do benchmark.
Última atualização: 31 de outubro de 2026. Atualizamos este levantamento trimestralmente, e a próxima revisão é esperada quando os anais do ICASSP 2027 forem publicados.