В исходном виде Whisper показал коэффициент ошибок на уровне слов 84,6% у детей подготовительного класса, читавших заданные тексты, против 17,5% у четвероклассников в том же тесте (Singh, Sahidullah и Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Коэффициент ошибок на уровне слов (WER) - это доля слов, которые система заменяет, пропускает или вставляет по сравнению с человеческой расшифровкой, поэтому он может даже превышать 100%. Это же семейство моделей показало WER 25,00% на американских детях, беседующих с научным тьютором, и 5,40% на читаемой речи взрослых (Jain и др., Interspeech 2023), а разрыв следует за обучающими данными: крупнейший открытый англоязычный корпус детской речи содержит около 470 часов (Linguistic Data Consortium, LDC2021S05), тогда как Whisper-largeV3 обучали на 1 миллионе часов (Fan и др., Interspeech 2024). Возраст - лишь одна из осей проблемы; разрывы по акценту и диалекту и частота галлюцинаций подчиняются сходной логике покрытия данными. Мы собрали данные из работ Interspeech, ICASSP и WOCCI, Journal of the Acoustical Society of America, Linguistic Data Consortium, Frontiers in Education и Федеральной торговой комиссии США.
Кратко (TL;DR)
- WER Whisper без дообучения в тесте CSLU Kids на заданных текстах: 84,6% в подготовительном классе против 17,5% в 4-м классе (Singh и др., 2025).
- Whisper Large-V2 в исходном виде: 25,00% WER на детской речи MyST против 5,40% на речи взрослых из LibriTTS (Jain и др., Interspeech 2023).
- Whisper large без дообучения: 43,9% WER для возраста 4-7 лет против 13,4% для возраста 8-10 лет (Ying и др., WOCCI 2025).
- Доля дисфлюэнтности у детей составила 10,1% против 6,2% в разговорах взрослых из Switchboard (Tran и др., Interspeech 2020).
- Whisper-largeV3 обучали на 1 миллионе часов против 133 часов отфильтрованных обучающих данных MyST с детской речью (Fan и др., Interspeech 2024).
- Лишь около 45% из 227 567 высказываний MyST транскрибированы (Linguistic Data Consortium, LDC2021S05).
- Дообучение на 10 часах детской речи снизило WER Whisper Large-V2 на PF-STAR с 73,68% до 2,88% (Jain и др., Interspeech 2023).
- Генеративная коррекция ошибок снизила детский WER с 30,5% до 21,8%, то есть на 28,5% в относительном выражении (Balaji Shankar и др., CHSER, Interspeech 2025).
- Система скрининга чтения совпала с оценками людей при каппе 0,16 для слияния фонем против 0,72 для словаря (Petscher и др., Frontiers in Education 2026).
- Изменённое правило COPPA относит голосовые отпечатки к персональной информации и требует удалять аудио сразу после использования (FTC, COPPA Final Rule 2025).
1. Разрыв между детьми и взрослыми в исходном виде
Главный показатель для любого продукта по детской речи - результат без дообучения, то есть результат модели, используемой как поставляется, без дополнительного обучения на записях детей. Whisper Large-V2 показал WER 25,00% на детской речи MyST и 73,68% на британских детях из корпуса PF-STAR против 5,40% на читаемой речи взрослых, то есть примерно в 4,6 и 13,6 раза больше, чем у взрослых (25,00 / 5,40 и 73,68 / 5,40), в одной и той же оценке (Jain et al., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Самые свежие доступные данные для этого сравнения: 2023 год.
Новые модели сокращают разрыв, но не закрывают его. В тестовом наборе 2024 года модели NVIDIA Canary и Parakeet превзошли все размеры Whisper на детской речи, несмотря на гораздо меньшие обучающие наборы, из-за чего авторы заключили, что качество данных порой важнее их объёма (Fan, Balaji Shankar и Alwan, Interspeech 2024). Это соотношение упорно держится уже два десятилетия: исследование IEEE 2003 года уже сообщало о детской доле ошибок в два-пять раз выше взрослой.
| Показатель | Значение | Источник |
|---|---|---|
| WER Whisper Large-V2 без детского обучения: дети из MyST против читаемой речи взрослых из LibriTTS | 25,00% против 5,40% | Jain и др., Interspeech 2023 |
| WER Whisper Large-V2 без детского обучения: британские дети из PF-STAR; читаемая речь CMU Kids | 73,68%; 12,69% | Jain и др., Interspeech 2023 |
| WER Whisper-largeV3 без дообучения: тест MyST против теста OGI Kids | 12,6% против 19,9% | Fan и др., Interspeech 2024 |
| WER Canary (1B) против Parakeet-RNNT (1,1B) без дообучения в тесте MyST; в тесте OGI | 9,5% против 11,1%; 18,2% против 16,7% | Fan и др., Interspeech 2024 |
| WER Whisper Medium.en без дообучения: спонтанная речь CSLU Kids против test-clean взрослых из LibriSpeech | 31,85% против 3,02% | Attia и др., Kid-Whisper, AAAI/ACM AIES 2024 |
| Доля ошибок распознавателей, обученных на взрослых, у детей против взрослых | в два-пять раз хуже | Potamianos и Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Примечание о контексте: два результата Whisper на MyST (25,00% и 12,6%) не противоречат друг другу в смысле качества модели. Тестовый набор 2024 года перед оценкой удалил высказывания с WER выше 50% или короче 3 слов, что само по себе сдвигает результаты на несколько пунктов (см. раздел 5).
2. Доля ошибок по возрастным группам
“Дети” - это не единая группа. В тесте CSLU Kids на заданных текстах Whisper без дообучения снизил WER с 84,6% в подготовительном классе до 37,5% в 1-м классе и 17,5% в 4-м классе, то есть разница в 4,8 раза (84,6 / 17,5) внутри одного тестового набора (Singh, Sahidullah и Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Основное улучшение приходится на период до 4-го класса; после этого кривая перестаёт падать, и WER Whisper в 6-10 классах лежит выше его минимума в 4-м классе.
Тестовый набор ESPnet 2025 года обнаружил тот же обрыв на других моделях. Whisper large без дообучения показал 43,9% для возраста 4-7 лет, затем WER снова вырос с 13,4% в возрасте 8-10 лет до 18,6% в возрасте 11-15 лет, тогда как открытая модель, дообученная на детской речи, оставалась ниже 10% в каждой группе (Ying et al., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Тот же возрастной штраф проявляется в верификации диктора (проверке того, принадлежат ли две записи одному человеку), что важно для любого голосового входа в детские аккаунты.
| Показатель | Значение | Источник |
|---|---|---|
| WER Whisper без дообучения в тесте CSLU Kids на заданных текстах: подготовительный класс против 4-го класса | 84,6% против 17,5% | Singh и др., 2025 |
| Тот же тест: 1-й класс; 2-й класс; 3-й класс | 37,5%; 28,0%; 23,1% | Singh и др., 2025 |
| Тот же тест: 10-й класс | 22,4% | Singh и др., 2025 |
| WER Whisper large без дообучения по возрасту: 4-7; 8-10; 11-15 | 43,9%; 13,4%; 18,6% | Ying и др., WOCCI 2025 |
| OWSM v3.1, дообученная на детской речи, WER по возрасту: 4-7; 8-10; 11-15 | 9,0%; 7,3%; 1,8% | Ying и др., WOCCI 2025 |
| Равный уровень ошибок верификации диктора (доля неверных решений принять/отклонить в точке баланса), возраст 4-7 лет против 11-15 лет | 13,2% против 3,73% | Ying и др., WOCCI 2025 |
| Высказывания детей со средним возрастом 4,9 года, расшифрованные полностью верно: Whisper large-v3 против облачного ASR Google (2024) | 36,8% против 9,6% | Janssens и др., Гентский университет, Technological Advances in Human-Robot Interaction 2024 |
Примечание о выбросах: модель MMS показала WER 193,3% в 6-м классе в тесте Singh и др., потому что вставила гораздо больше слов, чем было произнесено. WER выше 100% - признак неконтролируемых вставок, а не опечатка.
3. Почему детская речь ломает модели, обученные на взрослых: акустика и дисфлюэнтность
Преобладают два механизма. Во-первых, сам голос - движущаяся мишень. Исследование 436 детей в возрасте от 5 до 17 лет и 56 взрослых показало, что длительность сегментов сходится со взрослым уровнем лишь около 12 лет, а изменчивость частоты основного тона и формант (резонансов, определяющих гласные) требует ещё примерно 2-3 лет (Lee, Potamianos и Narayanan, JASA 1999). Модель, настроенная на взрослые резонансы, по сути слушает другой инструмент. Самые свежие доступные данные: Lee, Potamianos и Narayanan, 1999 год.
Во-вторых, дети говорят иначе. Их спонтанные объяснения показали более высокую долю дисфлюэнтности и слов-заполнителей, чем разговоры взрослых, включая гораздо больше «um» и больше слов, оборванных на середине (Tran et al., Analysis of Disfluency in Children’s Speech, Interspeech 2020). Причинное моделирование 2025 года поставило возраст и число слов в высказывании на первое место среди факторов ошибок, впереди фонового шума и способности к произношению. Речь, отклоняющаяся от взрослой нормы по клиническим причинам, сталкивается с той же ловушкой, как показывает наш обзор данных по дизартрической и нетипичной речи.
| Показатель | Значение | Источник |
|---|---|---|
| Говорящие в исследовании возрастной акустики | 436 детей в возрасте от 5 до 17 лет; 56 взрослых | Lee, Potamianos и Narayanan, JASA 1999 |
| Возраст, в котором длительность сегментов достигает взрослого уровня | около 12 | Lee, Potamianos и Narayanan, JASA 1999 |
| Дополнительное время, за которое изменчивость частоты основного тона и формант внутри одного говорящего достигает взрослого диапазона | около 2-3 лет | Lee, Potamianos и Narayanan, JASA 1999 |
| Возраст, в котором паттерны частоты основного тона и формант у мальчиков и девочек начинают расходиться; полностью сформированы | около 11; около 15 | Lee, Potamianos и Narayanan, JASA 1999 |
| Доля дисфлюэнтности: дети против разговоров взрослых из Switchboard против разговоров взрослых из CallHome | 10,1% против 6,2% против 6,3% | Tran и др., Interspeech 2020 |
| Доля слова-заполнителя «um»: дети против взрослых из Switchboard | 2,3% против 0,5% | Tran и др., Interspeech 2020 |
| Доля обрывков слов (слов, оборванных на середине): дети против взрослых из Switchboard | 1,8% против 0,5% | Tran и др., Interspeech 2020 |
Примечание о контексте: корпус по дисфлюэнтности невелик (26 детей, около 1,26 часа детской речи), а в статье возраст детей указан как 4,8-7 лет в одном месте и 5-8 лет в другом. Самые свежие доступные данные: 2020 год.
4. Нехватка данных: часы детской речи против обучающих наборов базовых моделей
Разница в размерах составляет несколько порядков. Whisper-largeV3 обучали на 1 миллионе часов аудио, тогда как в тестовом наборе 2024 года для дообучения было 133 часа отфильтрованной детской речи MyST, то есть детский набор составляет около 0,0133% этого объёма предобучения (133 / 1 000 000) (Fan et al., Interspeech 2024). Даже более скромная модель Parakeet видела 64 000 часов, примерно в 480 раз больше обучающей части MyST (64 000 / 133).
Сам MyST велик лишь по меркам детской речи. Каталог Linguistic Data Consortium указывает около 470 часов речи 1 371 ученика с 3-го по 5-й класс, собранных в 2008-2017 годах, при этом транскрибировано 102 433 из 227 567 высказываний (LDC2021S05, MyST Children’s Conversational Speech). Создатели описывают корпус как содержащий около 400 часов и отмечают, как трудно получить детскую речь в больших объёмах (Pradhan, Cole и Ward, LREC-COLING 2024). У младших детей и других языков данных гораздо меньше: китайский корпус 2025 года для возраста 3-5 лет содержит 41,25 часа (Zhou et al., ChildMandarin 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Данные предобучения: Whisper-largeV3; Canary; Parakeet-TDT | 1 000 000; 85 000; 64 000 часов | Fan и др., Interspeech 2024 |
| Корпус MyST по каталогу | около 470 часов; 1 371 ученик с 3-го по 5-й класс; 10 496 занятий с тьютором | Linguistic Data Consortium, LDC2021S05 (2021) |
| Высказывания MyST с расшифровкой | 102 433 из 227 567 (около 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Корпус ChildMandarin, дети 3-5 лет | 41,25 часа; 397 говорящих | Zhou и др., ChildMandarin 2025 |
| Корпус британских детей PF-STAR по данным обзора корпусов 2025 года | 14,5 часа; 158 говорящих в возрасте 4-14 лет | Zhou и др., ChildMandarin 2025 |
| CMU Kids; заданные тексты OGI Kids | 9 часов, 76 говорящих; 70 часов, 1 118 говорящих | Ying и др., WOCCI 2025 |
| Детские против взрослых обучающих данных в исследовании переноса обучения 2018 года | 91,61 часа (6-14 лет) против 205,82 часа (взрослые из TED-LIUM) | Shivakumar и Georgiou, arXiv 2018 |
Примечание о контексте: число часов MyST различается по источникам (около 470 в каталоге LDC, 393 или около 400 в статье о корпусе, около 240 расшифрованных часов в тестовом наборе 2024 года). Каждое число мы приводим с его собственным источником.
5. Выигрыш от дообучения и адаптации
Дообучение означает продолжение обучения модели на записях детей. Это самый надёжный способ исправления, и выигрыш наибольший там, где модель без дообучения была хуже всего. Whisper Large-V2 снизил WER с 73,68% до 2,88% на британских детях из PF-STAR после дообучения всего на 10 часах речи PF-STAR (Jain et al., Interspeech 2023). На разговорной речи MyST Whisper-small улучшился с 13,4% до 9,3%, то есть относительное снижение составило 30,6% ((13,4 - 9,3) / 13,4), а небольшой модуль-адаптер, обновляющий 1,29 миллиона параметров, сравнялся с полным дообучением 242 миллионов.
Новые методы гонятся за последними пунктами. Слияние только весов внимания родственных моделей установило рекорд на MyST: 8,69% WER для Whisper-small (Balaji Shankar et al., Selective Attention Merging, ICASSP 2025), а модель коррекции текста, обученная на 200K пар из выхода ASR и человеческой расшифровки, сократила ошибки на четырёх детских корпусах. То, как очищен тестовый набор, важно не меньше метода: отбрасывание файлов с WER выше 50% или короче 3 слов сдвинуло тестовый WER Whisper-Large-v1 на MyST с 26,2% до 14,2% без каких-либо изменений в модели (Attia et al., Kid-Whisper, AIES 2024).
| Показатель | Значение | Источник |
|---|---|---|
| WER Whisper Large-V2 на PF-STAR: до против после дообучения на 10 часах детской речи | 73,68% против 2,88% | Jain и др., Interspeech 2023 |
| WER Whisper-small, без дообучения против дообученной: тест MyST; тест OGI Kids | 13,4% против 9,3%; 25,4% против 1,8% | Fan и др., Interspeech 2024 |
| Обученные параметры, настройка адаптеров против полного дообучения (оба варианта дают 9,3% WER на MyST) | 1,29 миллиона против 242 миллионов | Fan и др., Interspeech 2024 |
| WER Whisper Medium.en на спонтанной речи CSLU Kids: без дообучения против дообученной на MyST плюс CSLU | 31,85% против 16,53% | Attia и др., Kid-Whisper, AIES 2024 |
| Whisper-small со слиянием Selective Attention плюс аугментация данных, WER на MyST | 8,69% (относительное снижение до 14%) | Balaji Shankar и др., ICASSP 2025 |
| Генеративная коррекция ошибок, WER на четырёх детских корпусах: до против после | 30,5% против 21,8% (28,5% относительно) | Balaji Shankar и др., CHSER, Interspeech 2025 |
| Смешанное дообучение на детской и взрослой речи против предобученной модели | WER ниже до 5% в абсолютном выражении (21% относительно) | Graave и др., Interspeech 2024 |
| Доля ошибок на уровне символов Whisper-small на китайской речи детей 3-5 лет: без дообучения против дообученной | 37,99% против 17,45% | Zhou и др., ChildMandarin 2025 |
Примечание о выбросах: выигрыш не переносится чисто между акцентами, возрастами и стилями речи. В том же исследовании 2023 года Whisper Medium показал 19,76% на детях из PF-STAR после дообучения на американской речи MyST против 3,15% после дообучения на самом PF-STAR.
6. Оценка чтения в классе: где доля ошибок встречается с решениями
В образовании WER не является конечным показателем. Тьютор по чтению должен решить, прочитал ли ребёнок каждое слово верно, поэтому расшифровка может иметь приличный WER и всё равно пропускать ошибки, которые должен увидеть учитель. В нидерландских тестах чтения вслух с 71 ребёнком в возрасте от 7 до 11 лет Whisper large-v2 без дообучения достиг коэффициента корреляции Мэтьюса (MCC, оценки согласия, где 0 означает случайность, а 1 - идеал) 0,01 при выявлении ошибок чтения против 0,63 у специально настроенной системы Kaldi (Molenaar et al., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Самые свежие доступные данные: 2023 год.
Исследование 2026 года в США о коммерческой системе верификации речи обнаружило ту же картину по типам задач (Petscher et al., Frontiers in Education 2026). Согласие с оценками людей, измеренное каппой Коэна (согласие сверх случайного, от 0 до 1), было самым высоким для экспрессивного словаря и самым низким для слияния фонем - самой сложной в фонологическом отношении из трёх задач. Соответствие различалось и по группам учеников в задаче чтения слов, а это важно для любого школьного округа, использующего автоматический скрининг, чтобы решать, каким детям нужна поддержка по фонике.
| Показатель | Значение | Источник |
|---|---|---|
| Дети в нидерландском исследовании чтения вслух; возрастной диапазон | 71; 7-11 | Molenaar и др., Interspeech 2023 |
| Согласие с оценками людей по ошибкам чтения (MCC): система Kaldi-PM против Whisper large-v2 | 0,63 против 0,01 | Molenaar и др., Interspeech 2023 |
| WER на чтении детей относительно ручных расшифровок: система Kaldi-PM против Whisper large-v2 | 5,2% против 13,4% | Molenaar и др., Interspeech 2023 |
| Дети подготовительного класса в американском исследовании верификации речи | 429 из 20 школ в трёх штатах | Petscher и др., Frontiers in Education 2026 |
| Каппа между системой и оценщиками-людьми при пороге 50: слияние фонем; экспрессивный словарь; чтение слов | 0,16; 0,72; 0,51 | Petscher и др., Frontiers in Education 2026 |
| Доля ответов, классифицированных так же, как оценщиками-людьми, при пороге 50, те же три задачи | 0,52; 0,87; 0,80 | Petscher и др., Frontiers in Education 2026 |
| Каппа при чтении слов при пороге 80: чернокожие ученики против белых учеников | 0,25 против 0,47 | Petscher и др., Frontiers in Education 2026 |
Примечание о контексте: Kaldi-PM - не готовый к внедрению упрощённый вариант, потому что его список лексики объединяет тексты для чтения со словами из ручных расшифровок тестовых данных. Рассматривайте его как меру того, что может жёстко ограниченная система, и читайте 5,2% с учётом этой настройки.
7. Правила конфиденциальности, ограничивающие сбор детской речи
Нехватка данных из раздела 4 отчасти является результатом политики. Изменённое правило COPPA, опубликованное 22 апреля 2025 года, добавило биометрические идентификаторы в определение персональной информации детей и прямо называет голосовые отпечатки (FTC, COPPA Final Rule Amendments 2025). Его исключение из требования родительского согласия для аудио охватывает файл, содержащий голос ребёнка и никакой другой персональной информации, используемый только для ответа на запрос ребёнка и удаляемый сразу после этого, что не оставляет в рамках этого исключения места для хранения файла в качестве обучающих данных.
Правоприменение подкрепляет текст. В 2023 году FTC и Министерство юстиции обвинили Amazon в бессрочном хранении записей детей в Alexa; предложенное постановление предусматривало гражданский штраф в 25 миллионов долларов и запрещало использовать затронутые голосовые данные для создания или улучшения продуктов на данных (пресс-релиз FTC, 31 мая 2023 года). Исследователи отвечают переносом распознавания на устройство: дообученная модель Whisper tiny.en работала на Raspberry Pi с WER 15,9% на MyST, ссылаясь на правила конфиденциальности как мотивацию (Dutta, Chandupatla и Hansen, WOCCI 2025).
| Показатель | Значение | Источник |
|---|---|---|
| Возраст, охваченный COPPA | дети младше 13 лет | Пресс-релиз FTC, 2023 |
| Изменённое правило COPPA: голосование Комиссии; рассмотренные публичные комментарии | 5-0; почти 300 | Пресс-релиз FTC, 16 января 2025 года |
| Изменённое правило: публикация в Federal Register; полный срок приведения в соответствие | 22 апреля 2025 года; один год с момента публикации | FTC, COPPA Final Rule Amendments 2025 |
| Биометрические идентификаторы, названные персональной информацией | голосовые отпечатки наряду с отпечатками пальцев, шаблонами лица и паттернами походки | FTC, COPPA Final Rule 2025 |
| Дело Amazon Alexa: гражданский штраф; дети, использующие Alexa через собственный профиль | 25 миллионов долларов; более 800 000 | FTC, пресс-релиз и деловой блог об Amazon Alexa, 31 мая 2023 года |
| Whisper tiny.en на устройстве, на Raspberry Pi: WER на MyST; с фильтрацией данных; коэффициент реального времени (время обработки, делённое на длительность аудио) | 15,9%; 11,8%; от 0,23 до 0,41 | Dutta и др., WOCCI 2025 |
Примечание о контексте: политика правоприменения FTC 2017 года в отношении голосовых записей установила ту же логику краткого хранения, допуская аудио, собранное только как замена письменным словам и быстро удаляемое (заявление о политике FTC, 2017). Самые свежие доступные данные по делу Amazon: 2023 год.
Итоги: коэффициент ошибок на уровне слов при распознавании детской речи в цифрах
| Показатель | Значение | Источник |
|---|---|---|
| WER Whisper без дообучения в тесте CSLU Kids на заданных текстах: подготовительный класс против 4-го класса | 84,6% против 17,5% | Singh и др., 2025 |
| WER Whisper Large-V2 без детского обучения: дети из MyST против читаемой речи взрослых | 25,00% против 5,40% | Jain и др., Interspeech 2023 |
| WER Whisper large без дообучения: возраст 4-7 лет против 8-10 лет | 43,9% против 13,4% | Ying и др., WOCCI 2025 |
| Доля ошибок верификации диктора: возраст 4-7 лет против 11-15 лет | 13,2% против 3,73% | Ying и др., WOCCI 2025 |
| Дети со средним возрастом 4,9 года: полностью верные расшифровки, Whisper large-v3 против Google | 36,8% против 9,6% | Janssens и др., Technological Advances in Human-Robot Interaction 2024 |
| Распознаватели, обученные на взрослых, у детей против взрослых | в два-пять раз хуже | Potamianos и Narayanan, IEEE TSAP 2003 |
| Возраст, в котором длительность сегментов у детей достигает взрослого уровня | около 12 | Lee, Potamianos и Narayanan, JASA 1999 |
| Доля дисфлюэнтности: дети против взрослых из Switchboard | 10,1% против 6,2% | Tran и др., Interspeech 2020 |
| Данные предобучения, Whisper-largeV3 против отфильтрованного детского обучающего набора MyST | 1 000 000 против 133 часов | Fan и др., Interspeech 2024 |
| Размер корпуса MyST | около 470 часов; 1 371 ученик | Linguistic Data Consortium, LDC2021S05 |
| Китайский детский корпус, 3-5 лет | 41,25 часа; 397 говорящих | Zhou и др., ChildMandarin 2025 |
| Whisper Large-V2 на PF-STAR: до против после 10 часов дообучения | 73,68% против 2,88% | Jain и др., Interspeech 2023 |
| Лучший заявленный WER Whisper-small на MyST (слияние внимания плюс аугментация) | 8,69% | Balaji Shankar и др., ICASSP 2025 |
| Генеративная коррекция ошибок на четырёх детских корпусах | WER с 30,5% до 21,8% | Balaji Shankar и др., CHSER, Interspeech 2025 |
| Согласие при выявлении ошибок чтения (MCC): система Kaldi-PM против Whisper large-v2 | 0,63 против 0,01 | Molenaar и др., Interspeech 2023 |
| Каппа скрининга в подготовительном классе: слияние фонем против экспрессивного словаря | 0,16 против 0,72 | Petscher и др., Frontiers in Education 2026 |
| Дело о голосовых данных детей в Alexa у Amazon, гражданский штраф | 25 миллионов долларов | FTC, 2023 |
Методология и источники
Мы выполнили 21 веб-поиск и прочитали первичную статью, запись каталога, журнальную статью или регуляторный текст, стоящие за каждой цифрой выше. Значения WER приведены в точности так, как их печатает каждая статья; тестовые наборы, нормализация текста и фильтрация различаются между исследованиями, поэтому сравнивайте числа внутри одной строки или одного исследования, а не между исследованиями. Цифры старше трёх лет помечены в своих разделах как самые свежие доступные данные.
- Singh, Sahidullah and Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (отправлено в 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 января 2025 года и 16 CFR Part 312: COPPA Final Rule Amendments
- FTC и DOJ, пресс-релиз об Amazon Alexa, 31 мая 2023 года и деловой блог FTC о деле Alexa
- Наблюдение по данным: (1) результаты Whisper без дообучения на MyST варьируются примерно от 12,5% до 25% в зависимости от того, был ли отфильтрован тестовый набор, поэтому тестовые наборы 2023 и 2024 годов нельзя напрямую сравнивать. (2) Размер MyST указывается как около 470 часов (LDC), 393 или около 400 часов (статья о корпусе) и около 240 расшифрованных часов (тестовый набор 2024 года). (3) Результаты по классам у Singh и др. - препринт, и в статье MyST описан как 3-5 классы в одном месте и 5-8 классы в другом. (4) Тестовый набор ESPnet приписывает лучший средний WER Whisper-small в одном разделе и Whisper medium в другом. (5) Снижение на 13,3% в аннотации CHSER для уже дообученных систем относится только к Whisper Tiny; в тексте указан диапазон от 9% до 13,3%. (6) Статья Molenaar и др. печатает MCC системы Kaldi-PM как 0,62 в тексте результатов и 0,63 в других местах (мы используем 0,63), а её таблица показывает Kaldi-MO, лексика которой взята только из тестовых расшифровок, с 0,65. (7) Исследование Frontiers оценивало одну коммерческую систему, поэтому её показатели согласия не следует обобщать на все инструменты для чтения. (8) Несколько базовых цифр (1999, 2003, 2020, 2023) помечены как самые свежие доступные данные; ожидается, что работы ICASSP 2027 обновят показатели тестовых наборов.
Последнее обновление: 31 октября 2026 года. Мы обновляем этот обзор ежеквартально, и следующее обновление ожидается после публикации материалов ICASSP 2027.