เมื่อ Speech Accessibility Project เริ่มต้น ฐานข้อมูลเสียงพูดที่ไม่เป็นแบบฉบับที่ใหญ่ที่สุดมีผู้ที่เป็นสมองพิการเพียง 16 คน และภายในสิ้นเดือนกันยายน 2025 ผู้เข้าร่วมราว 2,000 คนได้ส่งการบันทึกเสียงให้โครงการ (Speech Accessibility Project, 2025 และ 2026) Project Euphonia ของ Google ซึ่งเป็นคลังข้อมูลขนาดใหญ่อีกแห่ง มีถ้อยคำมากกว่า 1.5 ล้านรายการจากผู้พูดราว 3,000 คนภายในเดือนกุมภาพันธ์ 2025 แต่ปิดไม่ให้ทีมภายนอกใช้ (Martin และคณะ, Frontiers in Language Sciences 2025; Google Project Euphonia) ข้อมูลที่มากขึ้นยังไม่ได้ลบช่องว่างนี้ ในการเทียบวัดปี 2026 กับระบบเอไอแปดระบบ เสียงพูดทั่วไปมีอัตราความผิดพลาดของคำ (WER, สัดส่วนของคำที่ระบบถอดความผิด) ต่ำกว่า 5% ขณะที่ดิสอาร์เทรียรุนแรงสูงเกิน 51% ในทุกระบบ (Alsayegh และ Masood, International Journal of Intelligent Systems 2026) เรารวบรวมข้อมูลจาก Speech Accessibility Project ที่ University of Illinois Beckman Institute, Google Research, Linguistic Data Consortium, NIDCD, ASHA และงานวิจัยที่ผ่านการประเมินโดยผู้ทรงคุณวุฒิกว่าสิบฉบับ สถิติอคติด้านสำเนียงในการรู้จำเสียงพูดของเราอธิบายว่าข้อผิดพลาดเหล่านี้เทียบกับช่องว่างตามเชื้อชาติ ภาษาถิ่น และสำเนียงอย่างไร ส่วนสรุปฉบับนี้มองที่ชุดข้อมูลเอง ได้แก่ ขนาดเท่าไร มีใครอยู่ในนั้นบ้าง และส่งผลอย่างไรต่ออัตราความผิดพลาด
สรุปโดยย่อ
- ราว 2,000 คนส่งการบันทึกเสียงให้ Speech Accessibility Project ภายในสิ้นเดือนกันยายน 2025 (Speech Accessibility Project, 2026)
- Project Euphonia มีถ้อยคำมากกว่า 1.5 ล้านรายการจากผู้พูดราว 3,000 คนในเดือนกุมภาพันธ์ 2025 และ Google ไม่แบ่งปันนอกบริษัท (Martin และคณะ, Frontiers in Language Sciences 2025)
- TORGO ซึ่งเป็นเกณฑ์เทียบวัดมาตรฐานตั้งแต่ปี 2012 มีผู้พูดที่มีภาวะดิสอาร์เทรีย 8 คนและเสียงราว 23 ชั่วโมง (Linguistic Data Consortium, LDC2012S02)
- UA-Speech บันทึกผู้พูดที่เป็นสมองพิการ 19 คนในปี 2008 และเหลืออยู่ 16 คนในชุดที่แจกจ่ายปัจจุบัน (University of Illinois, UA-Speech 2008)
- โรคพาร์กินสัน สมองพิการ ALS ดาวน์ซินโดรม และโรคหลอดเลือดสมอง แต่ละกลุ่มวางแผนไว้ที่ 400 คนใน Speech Accessibility Project (ClinicalTrials.gov NCT05889260)
- ผู้พูดที่เป็น ALS คิดเป็น 39.2% ของกลุ่มย่อยเพื่อการวิจัย Euphonia 195 คน เทียบกับ 10.8% สำหรับโรคพาร์กินสัน (Tobin และ Tomanek, Google 2021)
- ระบบเอไอทั้งแปดระบบมี WER เกิน 51% กับดิสอาร์เทรียรุนแรงใน TORGO (Alsayegh และ Masood, IJIS 2026)
- อัตราความผิดพลาดของตัวอักษรแบบซีโรช็อตของ Whisper-Turbo บน UA-Speech อยู่ที่ 9.3% สำหรับผู้พูดกลุ่มควบคุม และ 165.2% สำหรับผู้พูดดิสอาร์เทรีย (de Groot และคณะ, TU Delft 2025)
- การปรับจูน USM ของ Google ด้วยเสียงพูดผิดปกติลด WER ของเสียงพูดรุนแรงจาก 48.1 เหลือ 31.3 (Tobin และคณะ, Google Research 2024)
- โมเดลที่ปรับเป็นส่วนบุคคลปรับปรุง WER ของ ALS ได้ 62% เชิงสัมพัทธ์ โดย 71% ของผลดีมาจากข้อมูล 5 นาที (Shor และคณะ, Interspeech 2019)
- TORGO มีข้อความไม่ซ้ำกันเพียง 957 ข้อความจากรายการข้อความ 16,394 รายการ (Hui และคณะ, 2024)
- ดิสอาร์เทรียส่งผลต่อผู้ป่วยโรคพาร์กินสัน 44% ถึง 88% (ASHA Practice Portal, Dysarthria in Adults)
1. สองคลังข้อมูลขนาดใหญ่: Speech Accessibility Project และ Project Euphonia
ข้อมูลเสียงพูดผิดปกติตอนนี้มีขนาดเทียบเคียงกับ LibriSpeech ซึ่งเป็นเกณฑ์เทียบวัดเสียงอ่านที่ใช้กันแพร่หลาย แต่คลังข้อมูลขนาดใหญ่สองแห่งนี้มีเพียงแห่งเดียวที่เปิด ผู้เข้าร่วมราว 2,000 คนส่งการบันทึกเสียงให้ Speech Accessibility Project ภายในสิ้นเดือนกันยายน 2025 และโครงการระบุว่ามีองค์กรราว 65 แห่งใช้ข้อมูลของตน คลังข้อมูล Euphonia ของ Google ใหญ่กว่าในแง่จำนวนผู้พูด แต่หน้าโครงการระบุว่าชุดข้อมูลไม่เปิดให้ทีมหรือบริษัทภายนอกใช้ (Google, Project Euphonia)
ในทางปฏิบัติ หมายความว่างานวิจัยแบบเปิดเกี่ยวกับการรู้จำเสียงพูดผิดปกติต้องผ่านผู้ควบคุมประตูเพียงรายเดียวเป็นส่วนใหญ่ Speech Accessibility Project เผยแพร่ข้อมูลภายใต้ข้อตกลงการใช้ข้อมูล (สัญญาที่ลงนามซึ่งกำหนดว่าใครใช้การบันทึกเสียงได้และเพื่อวัตถุประสงค์ใด) ซึ่งต้องมีลายเซ็นสองรายชื่อจากองค์กรผู้สมัครและมีอายุสูงสุด 3 ปี (Speech Accessibility Project, หน้า Conduct Research) การเติบโตของ Euphonia จาก 1.2 ล้านถ้อยคำในปี 2024 เป็นกว่า 1.5 ล้านในปี 2025 ยังคงอยู่ภายใน Google
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้เข้าร่วมที่ส่งการบันทึกเสียงให้ Speech Accessibility Project ณ สิ้นเดือนกันยายน 2025 | ราว 2,000 คน | Speech Accessibility Project, หน้าแรก 2026 |
| ชุดข้อมูล Speech Accessibility Project คำอธิบายในแค็ตตาล็อก | ราว 1,090 ชั่วโมงของเสียงพูดจากผู้เข้าร่วมราว 1,130 คน ห้าภาวะ | แค็ตตาล็อก YorVoice ของ University of York, รายการ Speech Accessibility Project |
| หน้าการเข้าถึงเพื่อการวิจัยของ Speech Accessibility Project | เสียงพูดที่บันทึกไว้ 1,500 ชั่วโมง ผู้เข้าร่วมราว 999 คน องค์กรราว 65 แห่งใช้ข้อมูล | Speech Accessibility Project, หน้า Conduct Research 2026 |
| คลังข้อมูล Project Euphonia กุมภาพันธ์ 2025 | ถ้อยคำมากกว่า 1.5 ล้านรายการจากผู้พูดราว 3,000 คน | Google (Martin และคณะ), Frontiers in Language Sciences 2025 |
| คลังข้อมูล Project Euphonia ปี 2024 | ถ้อยคำ 1.2 ล้านรายการจากผู้พูดมากกว่า 2,000 คน | Google (Jiang และคณะ), Interspeech 2024 |
| การบันทึกเสียง Euphonia ที่มีคำถอดความซึ่งมนุษย์ตรวจและแก้ไขแล้ว | 352,130 รายการ (29% ของคลังข้อมูล) | Google (Jiang และคณะ), Interspeech 2024 |
| ผู้พูด Euphonia ที่มีป้ายระบุลักษณะเสียงพูด | มากกว่า 75% ของผู้พูด มากกว่า 40 ป้าย | Google (Jiang และคณะ), Interspeech 2024 |
บริบท: เพื่อให้เห็นขนาด LibriSpeech ซึ่งสร้างจากหนังสือเสียงที่อ่านออกเสียง เป็นคลังข้อมูลราว 1,000 ชั่วโมง (OpenSLR, LibriSpeech) คำอธิบายสองแหล่งของ Speech Accessibility Project ไม่ตรงกัน (ชั่วโมงมากกว่าแต่ผู้เข้าร่วมน้อยกว่าบนหน้าของโครงการเอง) ซึ่งเราบันทึกไว้ในข้อสังเกตเกี่ยวกับข้อมูล ตัวเลขของ Euphonia มาจาก Jiang และคณะ และ Martin และคณะ
2. คลังข้อมูลรุ่นเก่า: TORGO, UA-Speech และยุคข้อมูลขนาดเล็ก
นานกว่าหนึ่งทศวรรษ การรู้จำเสียงพูดดิสอาร์เทรียถูกเทียบวัดบนผู้พูดเพียงหยิบมือ TORGO มีผู้พูดที่มีภาวะดิสอาร์เทรีย 8 คน (ชาย 5 หญิง 3) และผู้พูดกลุ่มควบคุม 7 คน เป็นภาษาอังกฤษราว 23 ชั่วโมงที่บันทึกในโทรอนโตระหว่างปี 2008 ถึง 2010 UA-Speech ซึ่งบันทึกที่ University of Illinois ครอบคลุมผู้พูดที่เป็นสมองพิการ 19 คน แต่ละคนอ่านคำเดี่ยว 765 คำ (Kim และคณะ, Interspeech 2008) โมเดลที่ถูกรายงานว่าล้ำสมัยที่สุดบนคลังข้อมูลใดคลังหนึ่งนี้ ในทางปฏิบัติถูกทดสอบกับคนน้อยกว่าห้องเรียนทั่วไป
คลังข้อมูลเหล่านี้ยังหดตัวและแตกกระจายไปตามเวลา ปัจจุบัน UA-Speech แจกจ่ายผู้พูด 16 จากเดิม 19 คน เพราะสามคนถอนการอนุญาตหรือข้อมูลเสียหาย และสัญญาอนุญาตห้ามใช้เชิงพาณิชย์ (University of Illinois, UA-Speech) นอกภาษาอังกฤษก็คล้ายกัน คลังข้อมูลคำสั่งภาษาอิตาลีและคลังข้อมูลภาษาจีนกลางต่างสร้างจากผู้พูดเพียงไม่กี่สิบคน
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้พูดใน TORGO | 8 คนที่มีภาวะดิสอาร์เทรีย (สมองพิการหรือ ALS) และกลุ่มควบคุม 7 คน | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| เสียงและการเผยแพร่ของ TORGO | ราว 23 ชั่วโมง บันทึกปี 2008 ถึง 2010 เผยแพร่เมื่อ 19 มกราคม 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| เนื้อหาที่ให้อ่านใน TORGO | 162 ประโยคจาก Yorkston และ Beukelman, 460 ประโยคที่ดัดแปลงจาก TIMIT และการบันทึกการเคลื่อนไหวของลิ้นและริมฝีปาก (การวัดการเปล่งเสียงด้วยคลื่นแม่เหล็กไฟฟ้า) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| ผู้พูด UA-Speech ที่เป็นสมองพิการ จำนวนเดิมเทียบกับที่แจกจ่ายปัจจุบัน | 19 เทียบกับ 16 | Kim และคณะ, Interspeech 2008; University of Illinois, หน้า UA-Speech |
| คำศัพท์และการตั้งค่าการบันทึกของ UA-Speech | คำเดี่ยว 765 คำต่อผู้พูด รวมคำที่พบน้อยไม่ซ้ำกัน 300 คำ ไมโครโฟนแถวลำดับ 8 ตัว | Kim และคณะ, Interspeech 2008 |
| ฐานข้อมูลเสียงพูดที่ไม่เป็นแบบฉบับที่ใหญ่ที่สุดเมื่อ Speech Accessibility Project เริ่มต้น | ผู้ที่เป็นสมองพิการ 16 คน | Speech Accessibility Project, บทความเกี่ยวกับ Microsoft Azure 2025 |
| EasyCall (ภาษาอิตาลี) | 21,386 การบันทึกจากผู้พูดดิสอาร์เทรีย 31 คนและผู้พูดสุขภาพดี 24 คน | Turrisi และคณะ, Interspeech 2021 |
| CDSD (ภาษาจีนกลาง) | 133 ชั่วโมงจากผู้พูด 44 คน | Wang และคณะ, Chinese Dysarthria Speech Database (arXiv v2, 2025) |
ข้อมูลล่าสุดที่มี: TORGO (LDC, 2012), UA-Speech (Kim และคณะ, 2008) และ EasyCall (Interspeech 2021) ล้วนมีอายุเกินสามปี และยังเป็นคลังข้อมูลที่งานวิจัยส่วนใหญ่ยังรายงานผลอยู่ งานวิจัย CDSD ภาษาจีนกลางระบุ 133 ชั่วโมงว่าเป็นเสียง 124 ชั่วโมงบวกวิดีโอ 9 ชั่วโมง โดยเสียง 80 ชั่วโมงมาจากผู้พูดเพียง 8 คนที่บันทึกคนละ 10 ชั่วโมง
3. ใครอยู่ในข้อมูล: สาเหตุของโรค ระดับความรุนแรง และภาษา
คลังข้อมูลขนาดใหญ่ทุกแห่งเอนไปทางผู้ที่สรรหาได้ง่ายที่สุดก่อน Speech Accessibility Project ถูกออกแบบสำหรับ 2,000 คน 400 คนต่อสาเหตุของโรคแต่ละอย่างจากห้าอย่าง (สาเหตุทางการแพทย์ที่อยู่เบื้องหลังความแตกต่างของเสียงพูด) ได้แก่ โรคพาร์กินสัน ALS สมองพิการ ดาวน์ซินโดรม และโรคหลอดเลือดสมอง (ClinicalTrials.gov NCT05889260) ชุดข้อมูลชุดแรกมีเฉพาะผู้พูดที่เป็นโรคพาร์กินสัน และชุดสำหรับการแข่งขันที่เผยแพร่เมื่อเมษายน 2024 ซึ่งบันทึกเป็นหลักในปี 2023 ก็ยังถูกครอบงำโดยกลุ่มนี้ (Zheng และคณะ, Interspeech 2025 Challenge) สถิติการรักษาการพูดและเสียงในโรคพาร์กินสันของเราครอบคลุมด้านคลินิกของกลุ่มประชากรนี้
ความเอนเอียงของ Euphonia ไปอีกทาง คือไปทาง ALS และไปทางเสียงพูดที่เบากว่า ในกลุ่มย่อยเพื่อการวิจัยที่มีผู้พูด 195 คน ALS คิดเป็น 39.2% ของผู้พูด และหนึ่งในสี่ได้รับการประเมินว่ารุนแรง การบันทึกเสียงที่ได้รับการประเมินส่วนใหญ่ในชุดแรกของ Speech Accessibility Project อยู่ที่ปลายด้านที่บกพร่องน้อยที่สุดของมาตราประเมินความชัดเจนของคำพูด ซึ่งสำคัญ เพราะชุดข้อมูลที่ส่วนใหญ่เป็นเสียงพูดเล็กน้อยจะทำให้ค่าเฉลี่ยของโมเดลดูดีเกินจริง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การออกแบบที่วางแผนไว้ของ Speech Accessibility Project | 2,000 คน 400 คนต่อสาเหตุของโรค ตัวอย่างเสียงพูด 1.2 ล้านตัวอย่าง (600 ตัวอย่างต่อคน) | ClinicalTrials.gov NCT05889260, รายการ Speech Accessibility Project |
| การรับสมัครจริงในรายการทะเบียน (ซึ่งระบุเฉพาะโรคพาร์กินสันและภาวะพาร์กินโซเนียนที่เกี่ยวข้อง) | ผู้เข้าร่วม 485 คน การศึกษาเสร็จสิ้นเมื่อ 31 กรกฎาคม 2025 | ClinicalTrials.gov NCT05889260, รายการ Speech Accessibility Project |
| ชุดสำหรับการแข่งขัน SAP-240430 ส่วนฝึก | ผู้พูด 369 คน ถ้อยคำ 131,420 รายการ 290.35 ชั่วโมง | Zheng และคณะ, Interspeech 2025 Speech Accessibility Project Challenge |
| SAP-240430 ส่วนพัฒนาและส่วนทดสอบ | ชุดพัฒนา ผู้พูด 55 คน (43.56 ชั่วโมง) ชุดทดสอบ 1 ผู้พูด 50 คน (42.16 ชั่วโมง) ชุดทดสอบ 2 ผู้พูด 50 คน (38.77 ชั่วโมง) | Zheng และคณะ, Interspeech 2025 Speech Accessibility Project Challenge |
| การสรรหาผู้เข้าร่วมของชุดข้อมูลชุดแรก จำนวนผู้ลงทะเบียน ได้รับอนุมัติ และได้บันทึกเสียง | 746 และ 283 และ 253 | Speech Accessibility Project (Hasegawa-Johnson และคณะ), JSLHR 2024 |
| ชุดข้อมูลชุดแรก คะแนนความชัดเจนของคำพูดในมาตรา 1 ถึง 7 (1 = บกพร่องน้อยที่สุด) | 76% ของการบันทึกที่ได้รับการประเมินอยู่ที่ 1 และ 1.5% อยู่ที่ 5 ถึง 7 | Speech Accessibility Project (Hasegawa-Johnson และคณะ), JSLHR 2024 |
| กลุ่มย่อย Euphonia 195 ผู้พูด แยกตามสาเหตุของโรค | ALS 39.2% สมองพิการ 13.4% โรคพาร์กินสัน 10.8% ความบกพร่องทางการได้ยิน 5.2% อะแท็กเซีย 3.1% | Google (Tobin และ Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| กลุ่มย่อย Euphonia 195 ผู้พูด แยกตามระดับความรุนแรง | ทั่วไป 7.7% เล็กน้อย 35.4% ปานกลาง 31.8% รุนแรง 25.1% | Google (Tobin และ Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
บริบท: ความครอบคลุมด้านภาษาเป็นมิติที่บางที่สุด ผู้เข้าร่วมทุกคนในชุดข้อมูลชุดแรกของ Speech Accessibility Project รายงานว่าภาษาอังกฤษแบบอเมริกันเป็นภาษาแม่ (Hasegawa-Johnson และคณะ, JSLHR 2024) และหน้า Euphonia ของ Google ระบุว่าโครงการ Speech Accessibility Project ขณะนี้ให้บริการเฉพาะภาษาอังกฤษ การขยาย Euphonia ไปอีกสี่ภาษาไปถึง 132 ผู้พูดในปี 2025 ได้แก่ ภาษาญี่ปุ่น 76 คน ภาษาสเปน 38 คน ภาษาฝรั่งเศส 14 คน และภาษาฮินดี 4 คน (Martin และคณะ, Frontiers in Language Sciences 2025) ผู้ป่วย ALS เผชิญช่องว่างเดียวกันเมื่อเสียงพูดของตนเปลี่ยนไป ซึ่งสถิติการเสื่อมของเสียงพูดจากระบบประสาทส่วนบัลบาร์ใน ALSของเราติดตามไว้ตามช่วงเวลา
4. ช่องว่างอัตราความผิดพลาดของคำสำหรับเสียงพูดดิสอาร์เทรีย
ตัวรู้จำสำเร็จรูปแทบจะจัดการดิสอาร์เทรียระดับเล็กน้อยได้แล้ว แต่ยังล้มเหลวที่ปลายด้านรุนแรง ในการเทียบวัดปี 2026 กับแปดระบบบน TORGO รวมถึง Whisper large-v3, Deepgram Nova-3, GPT-4o และ Gemini 2.5 Pro ดิสอาร์เทรียรุนแรงมี WER เกิน 51% ในทุกระบบ ขณะที่ระบบชั้นนำได้ราว 1% ถึง 2% กับดิสอาร์เทรียระดับเล็กน้อย (Alsayegh และ Masood, IJIS 2026) โมเดลภาษาขนาดใหญ่แบบหลายรูปแบบข้อมูลไม่ได้แสดงข้อได้เปรียบเหนือตัวรู้จำแบบดั้งเดิมภายใต้การตั้งค่าเริ่มต้น
ระดับความรุนแรง ไม่ใช่ยี่ห้อของโมเดล คือตัวแปรที่ทำนายความล้มเหลว โมเดลพื้นฐานของ Google เองเพิ่มจาก 10.7 WER กับเสียงพูดระดับเล็กน้อยเป็น 48.1 กับเสียงพูดรุนแรงบนชุดทดสอบประโยคที่ให้อ่าน (Tobin และคณะ, Google Research 2024) บน UA-Speech Whisper-Turbo แบบซีโรช็อต (ซีโรช็อตหมายถึงใช้โดยไม่ปรับให้เข้ากับผู้พูดเลย) ให้อัตราความผิดพลาดของตัวอักษรเกิน 100% ซึ่งเกิดขึ้นเมื่อโมเดลส่งออกตัวอักษรผิดมากกว่าที่มีในข้อความอ้างอิง รวมถึงคำที่แต่งขึ้นเอง
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| TORGO ระบบเอไอเชิงพาณิชย์และหลายรูปแบบข้อมูลแปดระบบ เสียงพูดทั่วไปเทียบกับดิสอาร์เทรียรุนแรง | ต่ำกว่า 5% WER เทียบกับสูงกว่า 51% WER ในทุกระบบ | Alsayegh และ Masood, International Journal of Intelligent Systems 2026 |
| TORGO ดิสอาร์เทรียระดับเล็กน้อย ระบบชั้นนำ | ราว 1% ถึง 2% WER | Alsayegh และ Masood, International Journal of Intelligent Systems 2026 |
| ดิสอาร์เทรียรุนแรง พรอมต์เริ่มต้นเทียบกับพรอมต์ถอดความตามคำพูดทุกคำ | GPT-4o จาก 60.1% เป็น 52.9% GPT-4o Mini จาก 66.0% เป็นราว 55% | Alsayegh และ Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech อัตราความผิดพลาดของตัวอักษรแบบซีโรช็อตของ Whisper-Turbo ผู้พูดกลุ่มควบคุมเทียบกับผู้พูดดิสอาร์เทรีย | 9.3% เทียบกับ 165.2% | de Groot และคณะ (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| ชุดทดสอบประโยคที่ให้อ่านของ Euphonia WER พื้นฐานของ USM แยกตามระดับความรุนแรง | เล็กน้อย 10.7 ปานกลาง 29.5 รุนแรง 48.1 | Google (Tobin และคณะ), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| ชุดทดสอบโรคพาร์กินสัน (ทุกประโยคที่ให้อ่าน) โมเดลที่ฝึกด้วยเสียงอ่านทั่วไปเท่านั้น | LibriSpeech 100 ชั่วโมง WER 45.15% LibriSpeech 960 ชั่วโมง WER 38.76% | Speech Accessibility Project (Hasegawa-Johnson และคณะ), JSLHR 2024 |
| ผู้พูดที่ WER แบบสำเร็จรูปถึงเป้าหมายระบบอัตโนมัติในบ้าน 15% ผู้พูดทั้งหมดเทียบกับผู้พูดที่รุนแรง | 35% เทียบกับ 10% | Google (Tobin และ Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
ค่าผิดปกติ: การที่ GPT-4o ดีขึ้นเมื่อใช้พรอมต์ถอดความตามคำพูดทุกคำแสดงว่าข้อผิดพลาดของโมเดลหลายรูปแบบข้อมูลกับเสียงพูดรุนแรงส่วนหนึ่งมาจากการเรียบเรียงสิ่งที่พูดใหม่ ไม่ใช่เพียงฟังผิด ผู้เขียนรายงานว่าโมเดล Gemini ไม่ได้รับประโยชน์ที่สม่ำเสมอจากพรอมต์เดียวกัน ตัวเลขของ UA-Speech มาจาก de Groot และคณะ ซึ่งรายงานผลของกลุ่มดิสอาร์เทรียเป็นค่ารวมเท่านั้น ไม่แยกตามกลุ่มความชัดเจนของคำพูด สำหรับเงื่อนไขแบบซีโรช็อต
5. ผลดีจากโมเดลที่ปรับเป็นส่วนบุคคลและโมเดลที่ปรับจูน
ข้อมูลที่ถูกต้องเพียงเล็กน้อยขยับอัตราความผิดพลาดได้มากกว่าการเปลี่ยนสถาปัตยกรรมใด ๆ โมเดลที่ปรับเป็นส่วนบุคคลปรับปรุง WER ได้ 62% เชิงสัมพัทธ์สำหรับผู้พูดที่เป็น ALS และ 71% ของการปรับปรุงนั้นมาจากข้อมูลฝึกเพียง 5 นาที (Shor และคณะ, Interspeech 2019) โมเดลเหล่านั้นฝึกจากผู้พูด ALS 67 คน เสียงราว 36 ชั่วโมง (บล็อก Google Research, 2019)
ผลลัพธ์ที่ใหม่กว่าคือโมเดลร่วมเพียงตัวเดียวสามารถรับประโยชน์ส่วนใหญ่นั้นไว้ได้ USM ของ Google ที่ปรับจูนด้วยเสียงพูดผิดปกติ 1,158 ชั่วโมง ปิดช่องว่างระหว่างโมเดลพื้นฐานกับโมเดลรายบุคคลได้ 64% และ Microsoft รายงานว่าความแม่นยำใน Azure AI Speech เพิ่มขึ้น 18% ถึง 60% จากข้อมูลของ Speech Accessibility Project ขึ้นอยู่กับความพิการของผู้พูด เพดานยังคงเป็นระดับความรุนแรง คือ WER ของเสียงพูดรุนแรงที่ 31.3 ของโมเดลที่ปรับจูนแล้วสูงกว่าตัวเลขเสียงพูดระดับเล็กน้อยที่ 7.3 ในตารางเดียวกันมากกว่าสี่เท่า (31.3 หารด้วย 7.3 ได้ 4.3)
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| การปรับปรุง WER เชิงสัมพัทธ์จากโมเดลส่วนบุคคล เสียงพูด ALS เทียบกับเสียงพูดที่มีสำเนียง | 62% เทียบกับ 35% | Google (Shor และคณะ), Interspeech 2019 |
| WER ของผู้พูด ALS หลังปรับเป็นส่วนบุคคล วลีในคลังข้อความ ดิสอาร์เทรียระดับเล็กน้อยเทียบกับระดับที่รุนแรงกว่า | 10% เทียบกับ 20% | Google (Shor และคณะ), Interspeech 2019 |
| ผู้พูดที่ถึงเป้าหมายระบบอัตโนมัติในบ้าน WER 15% ด้วย 50 ถ้อยคำ (3 ถึง 4 นาที) เทียบกับ 250 ถ้อยคำ (18 ถึง 20 นาที) | 63% เทียบกับ 79% | Google (Tobin และ Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM ที่ปรับจูนด้วยเสียงพูดผิดปกติ WER ก่อนเทียบกับหลัง แยกตามระดับความรุนแรง | เล็กน้อย 10.7 เป็น 7.3 ปานกลาง 29.5 เป็น 19.6 รุนแรง 48.1 เป็น 31.3 | Google (Tobin และคณะ), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| การปรับจูน USM การปรับปรุงเชิงสัมพัทธ์บนเสียงพูดที่ให้อ่านเทียบกับเสียงสนทนาแบบไม่ได้เตรียมไว้ | 33% เทียบกับ 26% | Google (Tobin และคณะ), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| ผลดีของ Microsoft Azure AI Speech เมื่อใช้ข้อมูลของ Speech Accessibility Project | 18% ถึง 60% ขึ้นอยู่กับความพิการของผู้พูด | Speech Accessibility Project, บทความเกี่ยวกับ Microsoft Azure 2025 |
| อัตราความผิดพลาดของตัวอักษรในการทดสอบ CDSD ภาษาจีนกลาง ฝึกด้วย CDSD อย่างเดียวเทียบกับฝึกล่วงหน้าบน WenetSpeech แล้วปรับจูน | 24.9% เทียบกับ 16.4% | Wang และคณะ, Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech อัตราความผิดพลาดของตัวอักษรของ Whisper-Turbo ที่ปรับจูน แยกตามกลุ่มความชัดเจนของคำพูด | ต่ำมาก 64.4% ต่ำ 44.8% กลาง 40.1% สูง 30.2% | de Groot และคณะ (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
บริบท: ผู้พูดที่รุนแรงยังคงเป็นกลุ่มที่ยากที่สุดแม้จะมีข้อมูลของตนครบทั้งหมด ในการศึกษาการปรับเป็นส่วนบุคคลของ Euphonia ผู้พูดที่รุนแรง 69% ถึงเป้าหมายระบบอัตโนมัติในบ้าน 15% ด้วยการบันทึกเสียงทั้งหมดของตน เทียบกับ 99% ของผู้พูดระดับเล็กน้อย (Tobin และ Tomanek, 2021) ผู้นำของ Speech Accessibility Project กล่าวว่าการฝึกด้วยข้อมูลบางส่วนของชุดข้อมูลลดอัตราความผิดพลาดของผู้ป่วยโรคพาร์กินสันลงเกือบครึ่ง (Speech Accessibility Project, ประกาศการแบ่งปันข้อมูล 2024) ข้อมูลล่าสุดที่มีเกี่ยวกับการปรับเป็นส่วนบุคคลรายผู้พูด: Shor และคณะ (2019) และ Tobin และ Tomanek (2021)
6. กับดักของการเทียบวัด: ประโยคซ้อนทับ สิ่งแปลกปลอมในการบันทึก และสัญญาณรบกวนของป้ายกำกับ
คลังข้อมูลขนาดเล็กที่มีประโยคซ้ำทำให้ความแม่นยำที่เผยแพร่ดูดีกว่าการใช้งานจริง TORGO มีข้อความไม่ซ้ำกันเพียง 957 ข้อความจากรายการข้อความ 16,394 รายการ และการซ้อนทับของประโยคต่อผู้พูดสำหรับผู้พูดดิสอาร์เทรียแปดคนอยู่ระหว่าง 95.7% ถึง 100% (Hui และคณะ, 2024) เมื่อผู้เขียนสร้างการแบ่งข้อมูลใหม่เพื่อไม่ให้มีประโยคใดปรากฏทั้งในชุดฝึกและชุดทดสอบ WER ของโมเดล wav2vec2 สำหรับผู้พูดระดับเล็กน้อยคนหนึ่งเพิ่มจาก 3.17% เป็น 45.21% โมเดลอาจเรียนรู้รายการประโยคแทนที่จะเรียนรู้ผู้พูด
ผลเดียวกันปรากฏในคลังข้อมูลที่ใหม่ที่สุด บนประโยคที่ผู้พูดในชุดฝึกก็อ่านด้วย โมเดลที่ปรับจูนแล้วของ Speech Accessibility Project ได้ WER 5.18% และงานวิจัยรายงานประโยคที่ใช้ร่วมกันกับที่ไม่ได้ใช้ร่วมกันแยกจากกันด้วยเหตุนี้ สภาพการบันทึกเป็นกับดักประการที่สอง Schu และคณะ (2022) พบว่าตัวจำแนกดิสอาร์เทรียที่ล้ำสมัยส่วนใหญ่ทำงานได้เท่ากันหรือดีกว่าบนส่วนที่ไม่ใช่เสียงพูดของ UA-Speech และ TORGO ซึ่งหมายความว่าตัวจำแนกอาจกำลังตรวจจับการตั้งค่าการบันทึกแทนที่จะเป็นเสียงพูด
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ข้อความไม่ซ้ำกันของ TORGO เทียบกับรายการข้อความทั้งหมด | 957 เทียบกับ 16,394 | Hui และคณะ, Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| การซ้อนทับของประโยคต่อผู้พูดใน TORGO ผู้พูดดิสอาร์เทรียแปดคน | 95.7% ถึง 100% | Hui และคณะ, Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER ของ wav2vec2 ผู้พูดรุนแรง M04 การแบ่งข้อมูลเดิมเทียบกับการแบ่งที่ไม่ซ้อนทับ | 64.50% เทียบกับ 93.75% | Hui และคณะ, Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER ของ wav2vec2 ผู้พูดระดับเล็กน้อย M03 การแบ่งข้อมูลเดิมเทียบกับการแบ่งที่ไม่ซ้อนทับ | 3.17% เทียบกับ 45.21% | Hui และคณะ, Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| ประโยคโรคพาร์กินสันที่ใช้ร่วมกับผู้พูดในชุดฝึก โมเดลที่ฝึกด้วย LibriSpeech 960 ชั่วโมงเทียบกับที่ปรับจูนด้วยข้อมูลของโครงการ | 45.39% เทียบกับ 5.18% WER | Speech Accessibility Project (Hasegawa-Johnson และคณะ), JSLHR 2024 |
| การตรวจทานคำถอดความของ Euphonia คำถอดความที่ปรับมาตรฐานต่อผู้พูดเทียบกับถ้อยคำที่มีการเปลี่ยนคำจริง | เฉลี่ย 72% เทียบกับต่ำกว่า 5% | Google (Jiang และคณะ), Interspeech 2024 |
| ตัวกรองอัตโนมัติสำหรับเสียงที่ไม่มีเสียงพูดของ Euphonia สัดส่วนของการบันทึกที่ถูกทำเครื่องหมายแต่มีเสียงพูดอยู่จริง (อัตราการตัดทิ้งผิดพลาด) | 47.7% | Google (Jiang และคณะ), Interspeech 2024 |
| USM ที่ปรับจูนด้วยเสียงพูดผิดปกติ WER บน LibriSpeech Clean กับเสียงพูดทั่วไป | 2.4 ไม่เปลี่ยนแปลงที่น้ำหนักข้อมูลที่ทดสอบ | Google (Tobin และคณะ), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
บริบท: สัญญาณรบกวนของป้ายกำกับใน Euphonia ส่วนใหญ่เป็นเรื่องผิวเผิน เพราะการแก้ไขราว 95% เป็นเครื่องหมายวรรคตอน การใช้ตัวพิมพ์ใหญ่ หรือการปรับมาตรฐานอื่น ความเสี่ยงที่ใหญ่กว่าคือตัวกรองอัตโนมัติทิ้งเสียงพูดที่ถูกต้องแต่เบาหรือช้า ซึ่งตัดผู้พูดที่ชุดข้อมูลต้องการมากที่สุดออกไป ผลของ USM ตอบข้อกังวลที่พบบ่อย คือการเพิ่มเสียงพูดผิดปกติไม่ได้ทำให้ความแม่นยำกับเสียงพูดทั่วไปลดลงที่น้ำหนักซึ่งผู้เขียนทดสอบ
7. บริบทด้านความชุก: กลุ่มประชากรที่ชุดข้อมูลเหล่านี้รองรับ
คลังข้อมูลข้างต้นครอบคลุมผู้พูดไม่กี่พันคน ขณะที่ประชากรที่มีความแตกต่างของเสียงพูดมีจำนวนหลายล้านคน ในปี 2012 เด็กสหรัฐอายุ 3 ถึง 17 ปี 7.7% มีความผิดปกติด้านการสื่อสารหรือการกลืนในช่วง 12 เดือนที่ผ่านมา และปัญหาด้านการพูดเป็นประเภทที่พบบ่อยที่สุดที่ 5.0% (NCHS Data Brief No. 205) เด็กเหล่านั้นเพียง 55.2% ที่ได้รับบริการช่วยเหลือในปีเดียวกัน
ในผู้ใหญ่ ดิสอาร์เทรียเป็นลักษณะที่พบบ่อยของโรคทางระบบประสาทที่พบทั่วไป ไม่ใช่ความผิดปกติที่หายาก การทบทวนของ ASHA ระบุไว้ที่ 44% ถึง 88% ของผู้ป่วยโรคพาร์กินสัน และ 22% ถึง 58% ของผู้ป่วยโรคหลอดเลือดสมองเฉียบพลัน (ASHA Practice Portal, Dysarthria in Adults) และช่วงตัวเลขเหล่านั้น ไม่ใช่องค์ประกอบของกลุ่มตัวอย่างที่หาได้สะดวก คือสิ่งที่ชุดข้อมูลตัวแทนควรสะท้อน ความผิดปกติด้านความคล่องในการพูด เช่น การพูดติดอ่าง เพิ่มกลุ่มประชากรอีกกลุ่มหนึ่ง ซึ่งอธิบายไว้ในสถิติประชากรศาสตร์ของการพูดติดอ่างของเรา
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| เด็กสหรัฐอายุ 3 ถึง 17 ปีที่มีความผิดปกติด้านการสื่อสารหรือการกลืน ในช่วง 12 เดือนที่ผ่านมา และปัญหาด้านการพูด | 7.7% และ 5.0% | NCHS Data Brief No. 205 (2015, ข้อมูล NHIS ปี 2012) |
| ความชุกแยกตามอายุ 3 ถึง 6 ปีเทียบกับ 11 ถึง 17 ปี | 11.0% เทียบกับ 4.9% | NCHS Data Brief No. 205 (2015, ข้อมูล NHIS ปี 2012) |
| เด็กที่มีความผิดปกติซึ่งได้รับบริการช่วยเหลือในช่วง 12 เดือนที่ผ่านมา | 55.2% | NCHS Data Brief No. 205 (2015, ข้อมูล NHIS ปี 2012) |
| ผู้ใหญ่สหรัฐที่รายงานปัญหาด้านเสียงในช่วง 12 เดือนที่ผ่านมา | 7.6% (ราว 17.9 ล้านคน) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| ชาวอเมริกันที่พูดติดอ่าง ชาวอเมริกันที่อยู่กับภาวะอะเฟเซีย | มากกว่า 3 ล้านคน (ราว 1%) ราว 2 ล้านคน และมีผู้ป่วยรายใหม่เกือบ 180,000 รายต่อปี | NIDCD, Quick Statistics About Voice, Speech, and Language |
| อัตราดิสอาร์เทรีย โรคพาร์กินสัน โรคปลอกประสาทเสื่อมแข็ง โรคหลอดเลือดสมองเฉียบพลัน การบาดเจ็บของสมองจากอุบัติเหตุแบบเฉียบพลันถึงกึ่งเฉียบพลัน | 44% ถึง 88% และ 40% ถึง 51% และ 22% ถึง 58% และราว 30% ถึง 86% | ASHA Practice Portal, Dysarthria in Adults |
| อัตราดิสอาร์เทรีย โรคฮันติงตัน โรคของระบบประสาทและกล้ามเนื้อ เช่น ALS | 78% ถึง 93% และ 26% ถึง 62% | ASHA Practice Portal, Dysarthria in Adults |
| ผู้ใหญ่สหรัฐที่มีปัญหาด้านการได้ยิน การพูด หรือภาษา ซึ่งรายงานว่าเคยเผชิญการตีตรา | 65% ของผู้ตอบแบบสำรวจ 1,004 คน | ASHA-YouGov National Poll 2024 |
ข้อมูลล่าสุดที่มี: ตัวเลขความชุกในเด็กมาจาก National Health Interview Survey ปี 2012 ซึ่งเผยแพร่ในปี 2015 และบทสรุปของ NIDCD เอง (NIDCD Quick Statistics) ก็อ้างอิงการสำรวจเดียวกัน ตัวเลขการตีตรามาจากแบบสำรวจออนไลน์ที่ดำเนินการระหว่าง 21 ถึง 26 กุมภาพันธ์ 2024 (ASHA-YouGov, 2024)
สรุป: ชุดข้อมูลเอไอเสียงพูดที่ไม่เป็นแบบฉบับและเสียงพูดดิสอาร์เทรียในรูปแบบตัวเลข
| ตัวชี้วัด | ค่า | แหล่งที่มา |
|---|---|---|
| ผู้เข้าร่วมที่ส่งการบันทึกเสียงให้ Speech Accessibility Project ณ สิ้นเดือนกันยายน 2025 | ราว 2,000 คน | Speech Accessibility Project, หน้าแรก 2026 |
| ชุดข้อมูล Speech Accessibility Project คำอธิบายในแค็ตตาล็อก | ราว 1,090 ชั่วโมงจากผู้เข้าร่วมราว 1,130 คน | แค็ตตาล็อก YorVoice ของ University of York, รายการ Speech Accessibility Project |
| คลังข้อมูล Project Euphonia กุมภาพันธ์ 2025 | ถ้อยคำมากกว่า 1.5 ล้านรายการจากผู้พูดราว 3,000 คน | Google (Martin และคณะ), Frontiers in Language Sciences 2025 |
| การบันทึกเสียง Euphonia ที่มีคำถอดความซึ่งมนุษย์ตรวจแล้ว | 352,130 รายการ (29%) | Google (Jiang และคณะ), Interspeech 2024 |
| ผู้พูดและเสียงของ TORGO | ผู้พูดดิสอาร์เทรีย 8 คนและกลุ่มควบคุม 7 คน ราว 23 ชั่วโมง | Linguistic Data Consortium, LDC2012S02 (2012) |
| ผู้พูด UA-Speech ที่เป็นสมองพิการ จำนวนเดิมเทียบกับที่แจกจ่ายปัจจุบัน | 19 เทียบกับ 16 | Kim และคณะ, Interspeech 2008; University of Illinois |
| การออกแบบที่วางแผนไว้ของ Speech Accessibility Project | 2,000 คน 400 คนต่อสาเหตุของโรค | ClinicalTrials.gov NCT05889260 |
| SAP-240430 ส่วนฝึก | ผู้พูด 369 คน 290.35 ชั่วโมง | Zheng และคณะ, Interspeech 2025 Speech Accessibility Project Challenge |
| กลุ่มย่อย Euphonia 195 ผู้พูด สัดส่วน ALS เทียบกับโรคพาร์กินสัน | 39.2% เทียบกับ 10.8% | Google (Tobin และ Tomanek) 2021 |
| ผู้พูด Euphonia ที่ไม่ใช่ภาษาอังกฤษ ปี 2025 | 132 คน (ภาษาญี่ปุ่น 76 ภาษาสเปน 38 ภาษาฝรั่งเศส 14 ภาษาฮินดี 4) | Google (Martin และคณะ), Frontiers in Language Sciences 2025 |
| TORGO เสียงพูดทั่วไปเทียบกับดิสอาร์เทรียรุนแรง ระบบเอไอแปดระบบ | ต่ำกว่า 5% เทียบกับสูงกว่า 51% WER | Alsayegh และ Masood, IJIS 2026 |
| UA-Speech อัตราความผิดพลาดของตัวอักษรแบบซีโรช็อตของ Whisper-Turbo กลุ่มควบคุมเทียบกับกลุ่มดิสอาร์เทรีย | 9.3% เทียบกับ 165.2% | de Groot และคณะ (TU Delft) 2025 |
| WER ของ USM กับเสียงพูดผิดปกติรุนแรง ก่อนเทียบกับหลังการปรับจูน | 48.1 เทียบกับ 31.3 | Google (Tobin และคณะ) 2024 |
| โมเดลที่ปรับเป็นส่วนบุคคล การปรับปรุง WER เชิงสัมพัทธ์สำหรับเสียงพูด ALS | 62% โดย 71% ของผลดีมาจากข้อมูล 5 นาที | Google (Shor และคณะ), Interspeech 2019 |
| ประโยคโรคพาร์กินสันที่ใช้ร่วมกับผู้พูดในชุดฝึก โมเดล LibriSpeech 960 ชั่วโมงเทียบกับโมเดลที่ปรับจูนด้วยข้อมูลของโครงการ | 45.39% เทียบกับ 5.18% WER | Speech Accessibility Project (Hasegawa-Johnson และคณะ), JSLHR 2024 |
| ข้อความไม่ซ้ำกันของ TORGO เทียบกับรายการข้อความ | 957 เทียบกับ 16,394 | Hui และคณะ, arXiv 2024 |
| เด็กสหรัฐอายุ 3 ถึง 17 ปีที่มีความผิดปกติด้านการสื่อสารหรือการกลืน (2012) | 7.7% | NCHS Data Brief No. 205 (2015) |
| ดิสอาร์เทรียในผู้ป่วยโรคพาร์กินสัน | 44% ถึง 88% | ASHA Practice Portal, Dysarthria in Adults |
ระเบียบวิธีและแหล่งที่มา
เราค้นหา 17 ครั้ง และอ่านหน้าชุดข้อมูลหลัก รายการทะเบียน บทความวารสาร หรือพรีพรินต์ที่อยู่เบื้องหลังทุกตัวเลข อัตราความผิดพลาดรายงานตามสัญลักษณ์ของแต่ละแหล่งที่มา ได้แก่ WER สำหรับอัตราความผิดพลาดของคำ และอัตราความผิดพลาดของตัวอักษร (CER) ในที่ที่แหล่งที่มาใช้ (การปรับจูน UA-Speech และคลังข้อมูลภาษาจีนกลาง) โดยมีหรือไม่มีเครื่องหมายเปอร์เซ็นต์ตามที่แหล่งที่มาพิมพ์ไว้ ตัวเลขที่เก่ากว่าสามปีถูกทำเครื่องหมายไว้ในแต่ละส่วนว่าเป็นข้อมูลล่าสุดที่มี
- หน้าแรกของ Speech Accessibility Project (University of Illinois Beckman Institute), 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
- แค็ตตาล็อก YorVoice ของ University of York, รายการ Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson และคณะ, Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng และคณะ, The Interspeech 2025 Speech Accessibility Project Challenge
- Google, หน้าสิ่งตีพิมพ์และการเข้าถึงข้อมูลของ Project Euphonia
- Jiang และคณะ (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin และคณะ (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin และ Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek และ Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor และคณะ (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 และบทความบล็อก Google Research เรื่องการปรับ Euphonia เป็นส่วนบุคคล, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim และคณะ, Dysarthric Speech Database for Universal Access Research, Interspeech 2008 และหน้าแจกจ่าย UA-Speech ของ University of Illinois
- Turrisi และคณะ, EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang และคณะ, CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh และ Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot และคณะ (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang และ Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi และ Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black, Vahratian และ 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
- ข้อสังเกตเกี่ยวกับข้อมูล: ขนาดของ Speech Accessibility Project ถูกอธิบายไว้สามแบบ หน้าวิจัยของโครงการระบุ 1,500 ชั่วโมงจากผู้เข้าร่วมราว 999 คน รายการในแค็ตตาล็อกของ University of York ระบุราว 1,090 ชั่วโมงจากผู้เข้าร่วมราว 1,130 คน และหน้าแรกนับผู้ที่ส่งการบันทึกเสียงภายในเดือนกันยายน 2025 ได้ราว 2,000 คน (การบันทึกเสียงที่ส่งมาไม่เท่ากับข้อมูลที่เผยแพร่และถอดความแล้ว) เรารายงานทั้งสามแบบแทนการเลือกเพียงแบบเดียว รายการ ClinicalTrials.gov ระบุเฉพาะโรคพาร์กินสันและภาวะพาร์กินโซเนียนที่เกี่ยวข้อง ดังนั้นจำนวนผู้เข้าร่วมจริง 485 คนจึงไม่ควรอ่านเป็นยอดรวมของโครงการ งานวิจัย JSLHR ระบุชุดฝึกของชุดข้อมูลชุดแรกเป็นผู้พูด 190 คนในส่วนวิธีการ และ 191 คนในส่วนผลลัพธ์ บทคัดย่อวารสารของ TORGO อธิบายผู้ที่มีความบกพร่องด้านการพูดเจ็ดคน ขณะที่ชุดที่เผยแพร่โดย LDC ระบุผู้พูดดิสอาร์เทรียแปดคน เราใช้ตัวเลขของ LDC บทคัดย่อของงานวิจัย USM อธิบายเสียงพูดผิดปกติราว 1,000 ชั่วโมงและน้อยกว่า 1% ของข้อมูลฝึก ขณะที่ตารางข้อมูลฝึกระบุ 1,158 ชั่วโมง งานวิจัย CDSD อธิบายส่วน B ว่ามีผู้พูด 8 คนในหัวข้อหนึ่งและ 7 คนในอีกหัวข้อหนึ่ง หลังจากตัดผู้พูดหนึ่งคนออกเพราะการกำกับข้อมูลผิดพลาด ใน Tobin และ Tomanek ข้อความระบุว่าผู้พูดระดับเล็กน้อย 90% ถึงเป้าหมายด้วย 50 ถ้อยคำ แต่ตารางแสดง 93% ตัวเลข 18% ถึง 60% ของ Microsoft ถูกอธิบายเป็นผลดีด้านความแม่นยำโดยไม่ระบุตัวชี้วัดหรือชุดทดสอบ ตัวเลขคลังข้อมูล Euphonia สองค่า (ปี 2024 และ 2025) สะท้อนการเติบโต ไม่ใช่ความขัดแย้ง ความชุกในเด็ก: NIDCD รายงาน 7.2% สำหรับความผิดปกติด้านเสียง การพูด หรือภาษาเท่านั้น เทียบกับ 7.7% ของ NCHS ซึ่งนับการกลืนด้วย
อัปเดตล่าสุด: 24 ตุลาคม 2026 เราจะทบทวนและอัปเดตสรุปนี้ทุกไตรมาส และคาดว่าการรีเฟรชครั้งถัดไปจะเกิดขึ้นเมื่อ Speech Accessibility Project เผยแพร่ชุดข้อมูลชุดถัดไปพร้อมการแบ่งชุดฝึกและชุดทดสอบ