Speech Accessibility Project başladığında, en büyük tipik olmayan konuşma veritabanında serebral palsili 16 kişi vardı; Eylül 2025 sonuna gelindiğinde yaklaşık 2.000 katılımcı projeye kayıt göndermişti (Speech Accessibility Project, 2025 ve 2026). Diğer büyük derlem olan Google’ın Project Euphonia’sı Şubat 2025’e kadar yaklaşık 3.000 konuşmacıdan 1,5 milyondan fazla ifadeye ulaştı, ancak dış ekiplere kapalı (Martin ve ark., Frontiers in Language Sciences 2025; Google Project Euphonia). Daha fazla veri farkı henüz kapatmadı: sekiz yapay zeka sisteminin yer aldığı 2026 karşılaştırmasında tipik konuşmada kelime hata oranı (WER, bir sistemin yanlış anladığı kelimelerin payı) %5’in altında kalırken, ağır dizartri her sistem için %51’i aştı (Alsayegh ve Masood, International Journal of Intelligent Systems 2026). University of Illinois Beckman Institute’taki Speech Accessibility Project, Google Research, Linguistic Data Consortium, NIDCD, ASHA ve bir düzineden fazla hakemli makaleden veri topladık. Konuşma tanımada aksan önyargısı istatistiklerimiz, bu hataların ırk, lehçe ve aksan farklarıyla nasıl kıyaslandığını ele alıyor; bu derleme ise veri setlerinin kendisine bakıyor: ne kadar büyükler, içlerinde kimler var ve hata oranlarına ne yapıyorlar.
TL;DR
- Speech Accessibility Project’e Eylül 2025 sonuna kadar yaklaşık 2.000 kişi kayıt göndermişti (Speech Accessibility Project, 2026).
- Project Euphonia, Şubat 2025’te yaklaşık 3.000 konuşmacıdan 1,5 milyondan fazla ifade barındırıyordu ve Google bunu şirket dışıyla paylaşmıyor (Martin ve ark., Frontiers in Language Sciences 2025).
- 2012’den beri standart kıyaslama olan TORGO, dizartrili 8 konuşmacı ve yaklaşık 23 saatlik ses içeriyor (Linguistic Data Consortium, LDC2012S02).
- UA-Speech 2008’de serebral palsili 19 konuşmacıyı kaydetti; güncel dağıtımda 16’sı kalıyor (University of Illinois, UA-Speech 2008).
- Speech Accessibility Project’te Parkinson hastalığı, serebral palsi, ALS, Down sendromu ve inme için her biri 400 katılımcı olarak planlanmıştı (ClinicalTrials.gov NCT05889260).
- ALS’li konuşmacılar, 195 konuşmacılık bir Euphonia araştırma alt kümesinin %39,2’sini oluştururken Parkinson hastalığı için bu oran %10,8’di (Tobin ve Tomanek, Google 2021).
- Sekiz yapay zeka sisteminin tamamı, TORGO’daki ağır dizartride %51’in üzerinde WER verdi (Alsayegh ve Masood, IJIS 2026).
- Whisper-Turbo’nun UA-Speech üzerindeki sıfır atışlı karakter hata oranı kontrol konuşmacılarında %9,3, dizartrik konuşmacılarda %165,2 oldu (de Groot ve ark., TU Delft 2025).
- Google’ın USM modeline bozuk konuşma üzerinde ince ayar yapmak, ağır konuşmada WER’i 48,1’den 31,3’e düşürdü (Tobin ve ark., Google Research 2024).
- Kişiselleştirilmiş modeller ALS’de WER’i göreli olarak %62 iyileştirdi; kazancın %71’i 5 dakikalık veriden geldi (Shor ve ark., Interspeech 2019).
- TORGO’da 16.394 metin girişi arasında yalnızca 957 benzersiz metin var (Hui ve ark., 2024).
- Dizartri, Parkinson hastalığı olanların %44 ile %88’ini etkiliyor (ASHA Practice Portal, Dysarthria in Adults).
1. İki Büyük Derlem: Speech Accessibility Project ve Project Euphonia
Bozuk konuşma verisi artık yaygın kullanılan bir okuma konuşması kıyaslaması olan LibriSpeech ile karşılaştırılabilir ölçekte var, ancak iki büyük koleksiyondan yalnızca biri açık. Speech Accessibility Project’e Eylül 2025 sonuna kadar yaklaşık 2.000 katılımcı kayıt göndermişti ve proje, verilerini yaklaşık 65 kuruluşun kullandığını söylüyor. Google’ın Euphonia derlemi konuşmacı sayısında daha büyük, ancak proje sayfası veri setinin dış ekiplerin veya şirketlerin erişimine açık olmadığını belirtiyor (Google, Project Euphonia).
Pratikteki anlamı şu: bozuk konuşma tanıma üzerine açık araştırma büyük ölçüde tek bir kapı bekçisinin üzerinden yürüyor. Speech Accessibility Project verileri bir veri kullanım sözleşmesi (kayıtları kimin ve ne amaçla kullanabileceğini belirleyen imzalı bir sözleşme) altında yayımlıyor; bu sözleşme başvuran kuruluştan iki imza gerektiriyor ve en fazla 3 yıl sürüyor (Speech Accessibility Project, Conduct Research sayfası). Euphonia’nın 2024’teki 1,2 milyon ifadeden 2025’te 1,5 milyonun üzerine çıkan büyümesi ise Google’ın içinde kalıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Eylül 2025 sonu itibarıyla Speech Accessibility Project’e kayıt gönderen katılımcılar | Yaklaşık 2.000 | Speech Accessibility Project, ana sayfa 2026 |
| Speech Accessibility Project veri paketi, katalog açıklaması | Beş durumdan yaklaşık 1.130 katılımcıdan yaklaşık 1.090 saat konuşma | University of York YorVoice kataloğu, Speech Accessibility Project kaydı |
| Speech Accessibility Project araştırma erişimi sayfası | 1.500 saat kayıtlı konuşma; yaklaşık 999 katılımcı; verileri kullanan yaklaşık 65 kuruluş | Speech Accessibility Project, Conduct Research sayfası 2026 |
| Project Euphonia derlemi, Şubat 2025 | Yaklaşık 3.000 konuşmacıdan 1,5 milyondan fazla ifade | Google (Martin ve ark.), Frontiers in Language Sciences 2025 |
| Project Euphonia derlemi, 2024 | 2.000’den fazla konuşmacıdan 1,2 milyon ifade | Google (Jiang ve ark.), Interspeech 2024 |
| İnsan tarafından gözden geçirilmiş, düzeltilmiş transkriptli Euphonia kayıtları | 352.130 (derlemin %29’u) | Google (Jiang ve ark.), Interspeech 2024 |
| Konuşma özelliği etiketi bulunan Euphonia konuşmacıları | Konuşmacıların %75’inden fazlası, 40’tan fazla etiket | Google (Jiang ve ark.), Interspeech 2024 |
Bağlam: ölçek için, okunmuş sesli kitaplardan oluşturulan LibriSpeech yaklaşık 1.000 saatlik bir derlemdir (OpenSLR, LibriSpeech). Speech Accessibility Project’in iki tanımı birbiriyle uyuşmuyor (projenin kendi sayfasında daha fazla saat ama daha az katılımcı var); bunu Veri notu bölümünde kaydettik. Euphonia rakamları Jiang ve ark. ve Martin ve ark. çalışmalarından geliyor.
2. Eski Derlemler: TORGO, UA-Speech ve Küçük Veri Dönemi
On yıldan uzun süre boyunca dizartrik konuşma tanıma, bir avuç konuşmacı üzerinde kıyaslandı. TORGO, dizartrili 8 konuşmacı (5 erkek, 3 kadın) ve 7 kontrol konuşmacısı içeriyor; 2008 ile 2010 arasında Toronto’da kaydedilmiş yaklaşık 23 saatlik İngilizceden oluşuyor. University of Illinois’de kaydedilen UA-Speech, her biri 765 ayrık kelime okuyan serebral palsili 19 konuşmacıyı kapsıyordu (Kim ve ark., Interspeech 2008). Bu derlemlerden birinde en son teknoloji olarak bildirilen bir model, fiilen tipik bir sınıftan daha az kişi üzerinde test edilmiş demektir.
Derlemler zamanla küçülüyor ve parçalanıyor da. UA-Speech, üç konuşmacı izni geri çektiği veya verileri bozulduğu için artık özgün 19 konuşmacısından 16’sını dağıtıyor ve lisansı ticari kullanımı yasaklıyor (University of Illinois, UA-Speech). İngilizce dışında da tablo benzer: bir İtalyanca komut derlemi ve bir Mandarin derlemi her biri birkaç düzine konuşmacıya dayanıyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| TORGO konuşmacıları | Dizartrili 8 (serebral palsi veya ALS) ve 7 kontrol | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| TORGO ses verisi ve yayın | Yaklaşık 23 saat, 2008 ile 2010 arasında kaydedildi; 19 Ocak 2012’de yayımlandı | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| TORGO okuma materyali | Yorkston ve Beukelman’dan 162 cümle, TIMIT’ten türetilmiş 460 cümle, ayrıca dil ve dudak hareketi kayıtları (elektromanyetik artikülografi) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Serebral palsili UA-Speech konuşmacıları, özgün ve güncel dağıtılan | 19 karşı 16 | Kim ve ark., Interspeech 2008; University of Illinois, UA-Speech sayfası |
| UA-Speech kelime hazinesi ve kayıt düzeni | Konuşmacı başına 765 ayrık kelime, bunlardan 300’ü farklı ve nadir kelime; 8 mikrofonlu dizi | Kim ve ark., Interspeech 2008 |
| Speech Accessibility Project başladığında en büyük tipik olmayan konuşma veritabanı | Serebral palsili 16 kişi | Speech Accessibility Project, Microsoft Azure makalesi 2025 |
| EasyCall (İtalyanca) | 31 dizartrik ve 24 sağlıklı konuşmacıdan 21.386 kayıt | Turrisi ve ark., Interspeech 2021 |
| CDSD (Mandarin) | 44 konuşmacıdan 133 saat | Wang ve ark., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Mevcut en güncel veri: TORGO (LDC, 2012), UA-Speech (Kim ve ark., 2008) ve EasyCall (Interspeech 2021) üç yıldan eski ve çoğu makale hâlâ bu derlemler üzerinden sonuç bildiriyor. Mandarin CDSD makalesi, 133 saati 124 saat ses ve 9 saat video olarak veriyor; ses saatlerinin 80’i, her biri 10 saat kaydedilen yalnızca 8 konuşmacıdan geliyor.
3. Verilerde Kimler Var: Etiyoloji, Şiddet ve Dil
Her büyük derlem, ilk önce işe alınması en kolay olanlara doğru çarpık. Speech Accessibility Project, her biri 400 kişilik beş etiyolojiye (konuşma farkının altında yatan tıbbi neden) göre 2.000 kişi için tasarlandı: Parkinson hastalığı, ALS, serebral palsi, Down sendromu ve inme (ClinicalTrials.gov NCT05889260). İlk veri paketinde yalnızca Parkinson hastası konuşmacılar vardı ve ağırlıklı olarak 2023’te kaydedilen Nisan 2024 yarışma sürümü de hâlâ onların egemenliğindeydi (Zheng ve ark., Interspeech 2025 Challenge). Parkinson konuşma ve ses tedavisi istatistiklerimiz, bu popülasyonun klinik tarafını ele alıyor.
Euphonia’nın çarpıklığı ise ters yönde: ALS’ye ve daha hafif konuşmaya doğru. 195 konuşmacılık bir araştırma alt kümesinde ALS konuşmacıların %39,2’sini oluşturuyordu ve dörtte biri ağır olarak derecelendirilmişti. Speech Accessibility Project’in ilk paketinde derecelendirilen kayıtların çoğu anlaşılabilirlik derecelendirmesinin en az bozulmuş ucunda yer alıyordu; bu önemli, çünkü çoğunlukla hafif konuşmadan oluşan bir veri seti bir modelin ortalamasını olduğundan iyi gösterir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Speech Accessibility Project planlanan tasarım | 2.000 kişi, etiyoloji başına 400, 1,2 milyon konuşma örneği (kişi başına 600) | ClinicalTrials.gov NCT05889260, Speech Accessibility Project kaydı |
| Kayıt defteri girdisindeki fiili katılım (Parkinson hastalığı ve ilişkili parkinsonian durumları listeler) | 485 katılımcı; çalışma 31 Temmuz 2025’te tamamlandı | ClinicalTrials.gov NCT05889260, Speech Accessibility Project kaydı |
| SAP-240430 yarışma sürümü, eğitim bölümü | 369 konuşmacı, 131.420 ifade, 290,35 saat | Zheng ve ark., Interspeech 2025 Speech Accessibility Project Challenge |
| SAP-240430 geliştirme ve test bölümleri | Geliştirme 55 konuşmacı (43,56 saat); Test1 50 konuşmacı (42,16 saat); Test2 50 konuşmacı (38,77 saat) | Zheng ve ark., Interspeech 2025 Speech Accessibility Project Challenge |
| İlk veri paketi işe alımı, kayıt olan, onaylanan ve kaydedilen kişiler | 746, 283 ve 253 | Speech Accessibility Project (Hasegawa-Johnson ve ark.), JSLHR 2024 |
| İlk veri paketi, 1 ile 7 arası ölçekte anlaşılabilirlik derecelendirmeleri (1 = en az bozulmuş) | Derecelendirilen kayıtların %76’sı 1’de; %1,5’i 5 ile 7 arasında | Speech Accessibility Project (Hasegawa-Johnson ve ark.), JSLHR 2024 |
| Euphonia 195 konuşmacılık alt küme, etiyolojiye göre | ALS %39,2; serebral palsi %13,4; Parkinson hastalığı %10,8; işitme kaybı %5,2; ataksi %3,1 | Google (Tobin ve Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Euphonia 195 konuşmacılık alt küme, şiddete göre | Tipik %7,7; hafif %35,4; orta %31,8; ağır %25,1 | Google (Tobin ve Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Bağlam: dil kapsamı en zayıf boyut. Speech Accessibility Project’in ilk paketindeki her katılımcı ana dili olarak ABD İngilizcesini bildirdi (Hasegawa-Johnson ve ark., JSLHR 2024) ve Google’ın Euphonia sayfası, Speech Accessibility Project programının şu anda yalnızca İngilizce olarak sunulduğunu belirtiyor. Euphonia’nın dört dile daha genişlemesi 2025’e kadar 132 konuşmacıya ulaştı: 76 Japonca, 38 İspanyolca, 14 Fransızca ve 4 Hintçe (Martin ve ark., Frontiers in Language Sciences 2025). ALS’li kişiler, konuşmaları değiştikçe aynı boşlukla karşılaşıyor; ALS bulber konuşma gerilemesi istatistiklerimiz bunu zaman içinde izliyor.
4. Dizartrik Konuşmada Kelime Hata Oranı Farkı
Hazır tanıyıcılar hafif dizartri için neredeyse çözülmüş durumda, ağır uçta ise hâlâ başarısız. Whisper large-v3, Deepgram Nova-3, GPT-4o ve Gemini 2.5 Pro dahil sekiz sistemin TORGO üzerinde karşılaştırıldığı 2026 çalışmasında, ağır dizartri her sistem için %51 WER’i aştı; önde gelen sistemler hafif dizartride kabaca %1 ile %2 aldı (Alsayegh ve Masood, IJIS 2026). Çok kipli büyük dil modelleri, varsayılan ayarlarda geleneksel tanıyıcılara göre bir üstünlük göstermedi.
Başarısızlığı öngören değişken modelin markası değil, şiddettir. Google’ın kendi temel modeli, okutulan cümlelerden oluşan test setinde hafif konuşmada 10,7 WER’den ağır konuşmada 48,1’e çıkıyor (Tobin ve ark., Google Research 2024). UA-Speech üzerinde sıfır atışlı (konuşmacılara hiçbir uyarlama yapılmadan kullanılan) Whisper-Turbo, %100’ün üzerinde bir karakter hata oranı üretti; bu, bir modelin uydurma kelimeler dahil referansta bulunandan daha fazla yanlış karakter çıkardığı durumda ortaya çıkar.
| Metrik | Değer | Kaynak |
|---|---|---|
| TORGO, sekiz ticari ve çok kipli yapay zeka sistemi, tipik konuşma ve ağır dizartri | Her sistem için %5’in altında WER ve %51’in üzerinde WER | Alsayegh ve Masood, International Journal of Intelligent Systems 2026 |
| TORGO, hafif dizartri, önde gelen sistemler | Kabaca %1 ile %2 WER | Alsayegh ve Masood, International Journal of Intelligent Systems 2026 |
| Ağır dizartri, varsayılan istem ve kelimesi kelimesine yazıya dökme istemi | GPT-4o %60,1’den %52,9’a; GPT-4o Mini %66,0’dan yaklaşık %55’e | Alsayegh ve Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, Whisper-Turbo sıfır atışlı karakter hata oranı, kontrol konuşmacıları ve dizartrik konuşmacılar | %9,3 ve %165,2 | de Groot ve ark. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Euphonia okutulan cümle test seti, şiddete göre USM temel WER | Hafif 10,7; orta 29,5; ağır 48,1 | Google (Tobin ve ark.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Parkinson test seti (tüm okuma cümleleri), yalnızca tipik okuma konuşmasıyla eğitilmiş modeller | LibriSpeech 100 saat: %45,15 WER; LibriSpeech 960 saat: %38,76 WER | Speech Accessibility Project (Hasegawa-Johnson ve ark.), JSLHR 2024 |
| Hazır WER değeri %15’lik ev otomasyonu hedefini karşılayan konuşmacılar, tüm konuşmacılar ve ağır konuşmacılar | %35 ve %10 | Google (Tobin ve Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Aykırı değer: GPT-4o’nun kelimesi kelimesine yazıya dökme istemiyle iyileşmesi, çok kipli modellerin ağır konuşmadaki hatalarının bir kısmının yalnızca yanlış duymaktan değil, söyleneni yeniden yazmaktan kaynaklandığını gösteriyor; yazarlar, Gemini modellerinin aynı istemlerden tutarlı bir kazanç sağlamadığını bildiriyor. UA-Speech rakamı, sıfır atışlı koşul için dizartrik sonucu anlaşılabilirlik grubuna göre değil yalnızca toplu olarak bildiren de Groot ve ark. çalışmasından geliyor.
5. Kişiselleştirilmiş ve İnce Ayarlı Modellerin Kazanımları
Doğru verinin küçük miktarları, hata oranlarını herhangi bir mimari değişikliğinden daha fazla oynatıyor. Kişiselleştirilmiş modeller ALS’li konuşmacılarda WER’i göreli olarak %62 iyileştirdi ve bu iyileşmenin %71’i yalnızca 5 dakikalık eğitim verisinden geldi (Shor ve ark., Interspeech 2019). Bu modeller, yaklaşık 36 saatlik sesten oluşan 67 ALS’li konuşmacı üzerinde eğitildi (Google Research blog, 2019).
Daha yeni sonuç ise tek bir ortak modelin bu faydanın büyük bölümünü içine alabildiği. Bozuk konuşmanın 1.158 saati üzerinde ince ayar yapılan Google USM, temel model ile konuşmacıya özel modeller arasındaki farkın %64’ünü kapattı; Microsoft ise konuşmacının engeline bağlı olarak Azure AI Speech’te Speech Accessibility Project verilerinden %18 ile %60 arasında doğruluk kazanımı bildiriyor. Tavan hâlâ şiddet: ince ayarlı modelin ağır konuşmadaki 31,3 WER değeri, aynı tablodaki hafif konuşma değerinin (7,3) dört katından fazla (31,3’ün 7,3’e bölümü 4,3’tür).
| Metrik | Değer | Kaynak |
|---|---|---|
| Kişiselleştirilmiş modellerden göreli WER iyileşmesi, ALS konuşması ve aksanlı konuşma | %62 ve %35 | Google (Shor ve ark.), Interspeech 2019 |
| Kişiselleştirme sonrası ALS’li konuşmacıların WER’i, mesaj bankası ifadeleri, hafif ve daha ciddi dizartri | %10 ve %20 | Google (Shor ve ark.), Interspeech 2019 |
| %15 WER ev otomasyonu hedefine 50 ifadeyle (3 ile 4 dakika) ve 250 ifadeyle (18 ile 20 dakika) ulaşan konuşmacılar | %63 ve %79 | Google (Tobin ve Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Bozuk konuşma üzerinde ince ayarlı USM, şiddete göre öncesi ve sonrası WER | Hafif 10,7’den 7,3’e; orta 29,5’ten 19,6’ya; ağır 48,1’den 31,3’e | Google (Tobin ve ark.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| USM ince ayarı, okutulan cümlelerde ve spontan konuşma dilinde göreli iyileşme | %33 ve %26 | Google (Tobin ve ark.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Speech Accessibility Project verilerini kullanan Microsoft Azure AI Speech kazanımları | %18 ile %60, konuşmacının engeline bağlı olarak | Speech Accessibility Project, Microsoft Azure makalesi 2025 |
| Mandarin CDSD test karakter hata oranı, yalnızca CDSD ile eğitilmiş ve WenetSpeech ile önceden eğitilip ardından ince ayar yapılmış | %24,9 ve %16,4 | Wang ve ark., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, anlaşılabilirlik grubuna göre ince ayarlı Whisper-Turbo karakter hata oranı | Çok düşük %64,4; düşük %44,8; orta %40,1; yüksek %30,2 | de Groot ve ark. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Bağlam: ağır konuşmacılar, tüm verileri olsa bile en zor grup olmaya devam ediyor. Euphonia kişiselleştirme çalışmasında, ağır konuşmacıların %69’u tüm kayıtlarıyla %15’lik ev otomasyonu hedefine ulaşırken hafif konuşmacılarda bu oran %99’du (Tobin ve Tomanek, 2021). Speech Accessibility Project’in yöneticisi, veri setinin bir bölümüyle eğitimin Parkinson hastalarında hata oranlarını neredeyse yarıya indirdiğini söyledi (Speech Accessibility Project, veri paylaşımı duyurusu 2024). Konuşmacıya özel kişiselleştirmede mevcut en güncel veri: Shor ve ark. (2019) ile Tobin ve Tomanek (2021).
6. Kıyaslama Tuzakları: Okuma Cümlesi Örtüşmesi, Kayıt Artefaktları ve Etiket Gürültüsü
Tekrarlanan okuma cümleleri içeren küçük derlemler, yayımlanan doğruluğu gerçek kullanımdan daha iyi gösteriyor. TORGO’da 16.394 metin girişi arasında yalnızca 957 benzersiz metin var ve sekiz dizartrik konuşmacı için konuşmacı başına okuma cümlesi örtüşmesi %95,7 ile %100 arasında değişiyor (Hui ve ark., 2024). Yazarlar bölünmeyi hiçbir cümle hem eğitimde hem testte yer almayacak şekilde yeniden kurduğunda, hafif bir konuşmacı için wav2vec2 modelinin WER’i %3,17’den %45,21’e çıktı. Bir model, konuşmacıyı değil cümle listesini öğrenebilir.
Aynı etki en yeni derlemde de görülüyor. Eğitim konuşmacılarının da okuduğu cümlelerde Speech Accessibility Project’in ince ayarlı modeli %5,18 WER elde etti ve makale bu nedenle ortak ve ortak olmayan cümleleri ayrı ayrı bildiriyor. Kayıt koşulları ikinci bir tuzak: Schu ve ark. (2022), en gelişmiş dizartri sınıflandırıcılarının çoğunun UA-Speech ve TORGO’daki konuşma dışı bölümlerde aynı veya daha iyi performans gösterdiğini buldu; bu, sınıflandırıcıların konuşmayı değil kayıt düzenini tespit ediyor olabileceği anlamına geliyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| TORGO benzersiz metinler ve toplam metin girişleri | 957 ve 16.394 | Hui ve ark., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| TORGO konuşmacı başına okuma cümlesi örtüşmesi, sekiz dizartrik konuşmacı | %95,7 ile %100 | Hui ve ark., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| wav2vec2 WER, ağır konuşmacı M04, özgün bölünme ve örtüşmesiz bölünme | %64,50 ve %93,75 | Hui ve ark., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| wav2vec2 WER, hafif konuşmacı M03, özgün bölünme ve örtüşmesiz bölünme | %3,17 ve %45,21 | Hui ve ark., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Eğitim konuşmacılarıyla ortak Parkinson cümleleri, LibriSpeech 960 saat ile eğitilmiş model ve proje verisiyle ince ayarlı model | %45,39 ve %5,18 WER | Speech Accessibility Project (Hasegawa-Johnson ve ark.), JSLHR 2024 |
| Euphonia transkript incelemesi, konuşmacı başına standartlaştırılan transkriptler ve gerçekten kelime değişikliği olan ifadeler | Ortalama %72 ve %5’in altında | Google (Jiang ve ark.), Interspeech 2024 |
| Euphonia otomatik konuşma yok filtresi, işaretlenen kayıtların gerçekte konuşma içeren payı (yanlış dışlama oranı) | %47,7 | Google (Jiang ve ark.), Interspeech 2024 |
| Bozuk konuşma üzerinde ince ayarlı USM, tipik konuşmada LibriSpeech Clean WER | 2,4, test edilen veri ağırlıklarında değişmedi | Google (Tobin ve ark.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Bağlam: Euphonia’daki etiket gürültüsü çoğunlukla kozmetikti, çünkü düzeltmelerin yaklaşık %95’i noktalama, büyük harf kullanımı veya başka normalleştirmeydi; asıl risk, otomatik filtrenin geçerli ama sessiz veya yavaş konuşmayı eliyor olmasıydı; bu da bir veri setinin en çok ihtiyaç duyduğu konuşmacıları ortadan kaldırır. USM sonucu yaygın bir endişeyi yanıtlıyor: bozuk konuşma eklemek, yazarların test ettiği ağırlıklarda tipik konuşma doğruluğunu düşürmedi.
7. Yaygınlık Bağlamı: Bu Veri Setlerinin Hizmet Ettiği Popülasyon
Yukarıdaki derlemler birkaç bin konuşmacıyı kapsıyor; konuşma farklılıkları olan nüfus ise milyonlarla ifade ediliyor. 2012’de ABD’de 3 ile 17 yaş arasındaki çocukların %7,7’sinde son 12 ayda iletişim veya yutma bozukluğu vardı ve konuşma sorunları %5,0 ile en yaygın türdü (NCHS Data Brief No. 205). Bu çocukların yalnızca %55,2’si aynı yıl bir müdahale hizmeti aldı.
Yetişkinlerde dizartri, nadir bir bozukluk değil, yaygın nörolojik hastalıkların sık görülen bir özelliğidir. ASHA’nın derlemesi bunu Parkinson hastalığı olanlarda %44 ile %88, akut inmesi olanlarda %22 ile %58 olarak veriyor (ASHA Practice Portal, Dysarthria in Adults); temsil edici bir veri setinin yansıtması gereken şey, kolay ulaşılan bir örneklemin bileşimi değil, bu aralıklardır. Kekemelik gibi akıcılık bozuklukları başka bir popülasyon ekliyor; bunu kekemelik demografisi istatistiklerimizde ele aldık.
| Metrik | Değer | Kaynak |
|---|---|---|
| Son 12 ayda iletişim veya yutma bozukluğu olan 3 ile 17 yaş arası ABD’li çocuklar; konuşma sorunları | %7,7; %5,0 | NCHS Data Brief No. 205 (2015, 2012 NHIS verileri) |
| Yaşa göre yaygınlık, 3 ile 6 yaş ve 11 ile 17 yaş | %11,0 ve %4,9 | NCHS Data Brief No. 205 (2015, 2012 NHIS verileri) |
| Bozukluğu olup son 12 ayda müdahale hizmeti alan çocuklar | %55,2 | NCHS Data Brief No. 205 (2015, 2012 NHIS verileri) |
| Son 12 ayda ses sorunu bildiren ABD’li yetişkinler | %7,6 (yaklaşık 17,9 milyon) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Kekeleyen Amerikalılar; afaziyle yaşayan Amerikalılar | 3 milyondan fazla (yaklaşık %1); yaklaşık 2 milyon, yılda yaklaşık 180.000 yeni vaka | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Dizartri oranları, Parkinson hastalığı; multipl skleroz; akut inme; akut ve subakut travmatik beyin hasarı | %44 ile %88; %40 ile %51; %22 ile %58; yaklaşık %30 ile %86 | ASHA Practice Portal, Dysarthria in Adults |
| Dizartri oranları, Huntington hastalığı; ALS gibi nöromüsküler hastalıklar | %78 ile %93; %26 ile %62 | ASHA Practice Portal, Dysarthria in Adults |
| İşitme, konuşma veya dil güçlüğü olup damgalanmayla karşılaştığını bildiren ABD’li yetişkinler | Ankete katılan 1.004 kişinin %65’i | ASHA-YouGov National Poll 2024 |
Mevcut en güncel veri: çocuk yaygınlık rakamları, 2015’te yayımlanan 2012 National Health Interview Survey’den geliyor ve NIDCD’nin kendi özeti de (NIDCD Quick Statistics) aynı anketi kaynak gösteriyor. Damgalanma rakamı, 21 ile 26 Şubat 2024 tarihleri arasında yürütülen çevrimiçi bir anketten geliyor (ASHA-YouGov, 2024).
Özet: Rakamlarla Tipik Olmayan ve Dizartrik Konuşma Yapay Zeka Veri Setleri
| Metrik | Değer | Kaynak |
|---|---|---|
| Eylül 2025 sonu itibarıyla Speech Accessibility Project’e kayıt gönderen katılımcılar | Yaklaşık 2.000 | Speech Accessibility Project, ana sayfa 2026 |
| Speech Accessibility Project veri paketi, katalog açıklaması | Yaklaşık 1.130 katılımcıdan yaklaşık 1.090 saat | University of York YorVoice kataloğu, Speech Accessibility Project kaydı |
| Project Euphonia derlemi, Şubat 2025 | Yaklaşık 3.000 konuşmacıdan 1,5 milyondan fazla ifade | Google (Martin ve ark.), Frontiers in Language Sciences 2025 |
| İnsan tarafından gözden geçirilmiş transkriptli Euphonia kayıtları | 352.130 (%29) | Google (Jiang ve ark.), Interspeech 2024 |
| TORGO konuşmacıları ve ses verisi | 8 dizartrik ve 7 kontrol konuşmacısı; yaklaşık 23 saat | Linguistic Data Consortium, LDC2012S02 (2012) |
| Serebral palsili UA-Speech konuşmacıları, özgün ve güncel dağıtılan | 19 karşı 16 | Kim ve ark., Interspeech 2008; University of Illinois |
| Speech Accessibility Project planlanan tasarım | 2.000 kişi, etiyoloji başına 400 | ClinicalTrials.gov NCT05889260 |
| SAP-240430 eğitim bölümü | 369 konuşmacı, 290,35 saat | Zheng ve ark., Interspeech 2025 Speech Accessibility Project Challenge |
| Euphonia 195 konuşmacılık alt küme, ALS ve Parkinson hastalığı payı | %39,2 ve %10,8 | Google (Tobin ve Tomanek) 2021 |
| Euphonia İngilizce dışı konuşmacılar, 2025 | 132 (Japonca 76, İspanyolca 38, Fransızca 14, Hintçe 4) | Google (Martin ve ark.), Frontiers in Language Sciences 2025 |
| TORGO, tipik konuşma ve ağır dizartri, sekiz yapay zeka sistemi | %5’in altında ve %51’in üzerinde WER | Alsayegh ve Masood, IJIS 2026 |
| UA-Speech, Whisper-Turbo sıfır atışlı karakter hata oranı, kontrol ve dizartrik | %9,3 ve %165,2 | de Groot ve ark. (TU Delft) 2025 |
| Ağır bozuk konuşmada USM WER, ince ayar öncesi ve sonrası | 48,1 ve 31,3 | Google (Tobin ve ark.) 2024 |
| Kişiselleştirilmiş modeller, ALS konuşmasında göreli WER iyileşmesi | %62, kazancın %71’i 5 dakikalık veriden | Google (Shor ve ark.), Interspeech 2019 |
| Eğitim konuşmacılarıyla ortak Parkinson cümleleri, LibriSpeech 960 saatlik model ve proje verisiyle ince ayarlı model | %45,39 ve %5,18 WER | Speech Accessibility Project (Hasegawa-Johnson ve ark.), JSLHR 2024 |
| TORGO benzersiz metinler ve metin girişleri | 957 ve 16.394 | Hui ve ark., arXiv 2024 |
| İletişim veya yutma bozukluğu olan 3 ile 17 yaş arası ABD’li çocuklar (2012) | %7,7 | NCHS Data Brief No. 205 (2015) |
| Parkinson hastalığı olanlarda dizartri | %44 ile %88 | ASHA Practice Portal, Dysarthria in Adults |
Metodoloji ve Kaynaklar
17 arama yaptık ve her rakamın arkasındaki birincil veri seti sayfasını, kayıt defteri girdisini, dergi makalesini veya ön baskıyı okuduk. Hata oranları her kaynağın kendi gösteriminde verilmiştir: kelime hata oranı için WER, kaynağın kullandığı yerlerde karakter hata oranı (CER) (UA-Speech ince ayarı ve Mandarin derlemi); yüzde işareti kaynakta nasıl basılmışsa o şekilde, işaretli veya işaretsiz. Üç yıldan eski rakamlar, ilgili bölümlerinde mevcut en güncel veri olarak işaretlenmiştir.
- Speech Accessibility Project ana sayfası (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
- University of York YorVoice kataloğu, Speech Accessibility Project kaydı
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson ve ark., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng ve ark., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, Project Euphonia yayınlar ve veri erişimi sayfası
- Jiang ve ark. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin ve ark. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin ve Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek ve Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor ve ark. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 ve Euphonia kişiselleştirmesi üzerine Google Research blog yazısı, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim ve ark., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 ve University of Illinois UA-Speech dağıtım sayfası
- Turrisi ve ark., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang ve ark., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh ve Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot ve ark. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang ve Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi ve Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black, Vahratian ve 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
- Veri notu: Speech Accessibility Project’in büyüklüğü üç farklı biçimde tanımlanıyor. Araştırma sayfası yaklaşık 999 katılımcıdan 1.500 saat veriyor, University of York katalog kaydı yaklaşık 1.130 katılımcıdan yaklaşık 1.090 saat veriyor, ana sayfa ise Eylül 2025’e kadar kayıt göndermiş yaklaşık 2.000 kişiyi sayıyor (gönderilen kayıtlar, yayımlanmış ve yazıya dökülmüş veriyle aynı şey değildir); biri seçmek yerine üçünü de bildiriyoruz. ClinicalTrials.gov kaydı yalnızca Parkinson hastalığını ve ilişkili parkinsonian durumlarını listeliyor; bu nedenle 485 olan fiili katılım proje toplamı olarak okunmamalı. JSLHR makalesi, ilk paketin eğitim setini Yöntem bölümünde 190, Bulgular bölümünde 191 konuşmacı olarak veriyor. TORGO’nun dergi özeti konuşma bozukluğu olan yedi kişiyi tanımlarken LDC sürümü sekiz dizartrik konuşmacıyı listeliyor; biz LDC rakamını kullanıyoruz. USM makalesinin özeti yaklaşık 1.000 saatlik bozuk konuşmayı ve eğitim verisinin %1’inden azını tanımlarken, eğitim tablosu 1.158 saat listeliyor. CDSD makalesi, bir konuşmacı etiketleme hataları nedeniyle çıkarıldıktan sonra B Bölümünü bir kısımda 8, başka bir kısımda 7 konuşmacı olarak tanımlıyor. Tobin ve Tomanek’te metin, hafif konuşmacıların %90’ının 50 ifadeyle hedefe ulaştığını söylerken tablo %93 gösteriyor. Microsoft’un %18 ile %60 rakamı, belirtilmiş bir metrik veya test seti olmadan doğruluk kazanımları olarak tanımlanıyor. İki Euphonia derlem rakamı (2024 ve 2025) bir çelişkiyi değil büyümeyi yansıtıyor. Çocuk yaygınlığı: NIDCD yalnızca ses, konuşma veya dil bozuklukları için %7,2 bildirirken NCHS’nin %7,7 rakamı yutmayı da kapsıyor.
Son güncelleme: 24 Ekim 2026. Bu derlemi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin, Speech Accessibility Project bir sonraki veri paketini ve eğitim/test bölümü sürümünü yayımladığında yapılması bekleniyor.