Hazır haliyle kullanılan Whisper, senaryolu istemleri okuyan anasınıfı öğrencilerinde %84,6 kelime hata oranı üretti; aynı testte dördüncü sınıf öğrencilerinde bu oran %17,5 oldu (Singh, Sahidullah ve Kinnunen, Causal Analysis of ASR Errors for Children 2025). Kelime hata oranı (WER), bir sistemin insan dökümüne kıyasla değiştirdiği, atladığı veya eklediği kelimelerin payıdır; bu yüzden %100’ü bile aşabilir. Aynı model ailesi, bir bilim özel ders sistemiyle konuşan Amerikalı çocuklarda %25,00, yetişkin okuma konuşmasında ise %5,40 WER verdi (Jain ve ark., Interspeech 2023) ve fark eğitim verisini izliyor: en büyük açık İngilizce çocuk derlemi yaklaşık 470 saat içerirken (Linguistic Data Consortium, LDC2021S05), Whisper-largeV3 1 milyon saat üzerinde eğitildi (Fan ve ark., Interspeech 2024). Yaş sorunun yalnızca bir ekseni; aksan ve lehçe farkları ile halüsinasyon oranları benzer bir veri kapsamı mantığını izliyor. Verileri Interspeech, ICASSP ve WOCCI bildirilerinden, Journal of the Acoustical Society of America’dan, Linguistic Data Consortium’dan, Frontiers in Education’dan ve ABD Federal Ticaret Komisyonu’ndan derledik.
TL;DR
- CSLU Kids senaryolu testinde sıfır atışlı Whisper WER’i: anasınıfında %84,6, 4. sınıfta %17,5 (Singh ve ark., 2025).
- Hazır Whisper Large-V2: MyST çocuk konuşmasında %25,00 WER, yetişkin LibriTTS konuşmasında %5,40 (Jain ve ark., Interspeech 2023).
- Sıfır atışlı Whisper large: 4 ila 7 yaş için %43,9 WER, 8 ila 10 yaş için %13,4 (Ying ve ark., WOCCI 2025).
- Çocuklarda akıcısızlık oranı %10,1, yetişkin Switchboard görüşmelerinde %6,2 idi (Tran ve ark., Interspeech 2020).
- Whisper-largeV3 1 milyon saatle eğitildi; süzülmüş MyST çocuk eğitim verisi ise 133 saat (Fan ve ark., Interspeech 2024).
- 227.567 MyST ifadesinin yalnızca yaklaşık %45’i yazıya dökülmüş (Linguistic Data Consortium, LDC2021S05).
- 10 saatlik çocuk konuşması üzerinde ince ayar, Whisper Large-V2’nin PF-STAR WER’ini %73,68’den %2,88’e düşürdü (Jain ve ark., Interspeech 2023).
- Üretken hata düzeltme, çocuk WER’ini %30,5’ten %21,8’e düşürdü; bu %28,5’lik göreli bir düşüş (Balaji Shankar ve ark., CHSER, Interspeech 2025).
- Bir okuma tarama sistemi, insan değerlendiricilerle fonem birleştirmede kappa 0,16, sözcük dağarcığında 0,72 düzeyinde uyuştu (Petscher ve ark., Frontiers in Education 2026).
- Değiştirilmiş COPPA Kuralı ses izlerini kişisel bilgi olarak listeliyor ve sesin kullanımdan hemen sonra silinmesini şart koşuyor (FTC, COPPA Final Rule 2025).
1. Hazır Haliyle Çocuk ile Yetişkin Farkı
Herhangi bir çocuk konuşma ürünü için manşet rakam sıfır atışlı (zero-shot) skordur; yani modelin çocuk kayıtlarıyla ek eğitim yapılmadan, olduğu gibi kullanıldığındaki sonucu. Whisper Large-V2, MyST çocuk konuşmasında %25,00, PF-STAR derlemindeki İngiliz çocuklarda %73,68 WER aldı; yetişkin okuma konuşmasında ise %5,40, yani aynı değerlendirmede yetişkin oranının kabaca 4,6 ve 13,6 katı (25,00 / 5,40 ve 73,68 / 5,40) (Jain ve ark., Adaptation of Whisper models to child speech recognition, Interspeech 2023). Bu karşılaştırma için mevcut en güncel veri: 2023.
Daha yeni modeller farkı daralttı ama kapatmadı. 2024 tarihli bir kıyaslamada NVIDIA’nın Canary ve Parakeet modelleri, çok daha küçük eğitim kümelerine rağmen çocuk konuşmasında her Whisper boyutunu geride bıraktı; bu durum yazarları veri kalitesinin bazen veri boyutundan daha önemli olduğu sonucuna götürdü (Fan, Balaji Shankar ve Alwan, Interspeech 2024). Bu oran yirmi yıldır inatla duruyor: 2003 tarihli bir IEEE çalışması çocuk hata oranlarını yetişkin oranının iki ila beş katı olarak zaten bildirmişti.
| Metrik | Değer | Kaynak |
|---|---|---|
| Çocuk eğitimi olmadan Whisper Large-V2 WER’i: MyST çocukları ve LibriTTS yetişkin okuma konuşması | %25,00 karşı %5,40 | Jain ve ark., Interspeech 2023 |
| Çocuk eğitimi olmadan Whisper Large-V2 WER’i: PF-STAR İngiliz çocukları; CMU Kids okuma konuşması | %73,68; %12,69 | Jain ve ark., Interspeech 2023 |
| Whisper-largeV3 sıfır atışlı WER: MyST testi ve OGI Kids testi | %12,6 karşı %19,9 | Fan ve ark., Interspeech 2024 |
| MyST testinde ve OGI testinde sıfır atışlı WER: Canary (1B) ve Parakeet-RNNT (1.1B) | %9,5 karşı %11,1; %18,2 karşı %16,7 | Fan ve ark., Interspeech 2024 |
| Whisper Medium.en sıfır atışlı WER: CSLU Kids spontan konuşması ve LibriSpeech yetişkin test-clean | %31,85 karşı %3,02 | Attia ve ark., Kid-Whisper, AAAI/ACM AIES 2024 |
| Yetişkinlerle eğitilmiş tanıyıcıların hata oranı: çocuklarda ve yetişkinlerde | iki ila beş kat daha kötü | Potamianos ve Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Bağlam notu: iki Whisper MyST rakamı (%25,00 ve %12,6) model kalitesinde bir çelişki değildir. 2024 kıyaslaması, puanlamadan önce WER’i %50’nin üzerinde olan veya 3 kelimeden kısa ifadeleri çıkardı; bu tek başına sonuçları birkaç puan oynatır (bkz. bölüm 5).
2. Yaş Grubuna Göre Hata Oranları
“Çocuklar” tek bir nüfus değildir. CSLU Kids senaryolu testinde sıfır atışlı Whisper, anasınıfında %84,6 WER’den 1. sınıfta %37,5’e ve 4. sınıfta %17,5’e indi; tek bir test kümesi içinde 4,8 katlık bir fark (84,6 / 17,5) (Singh, Sahidullah ve Kinnunen, Causal Analysis of ASR Errors for Children, 2025). İyileşmenin çoğu 4. sınıfa kadar gerçekleşir; sonrasında eğri düşmeyi bırakır ve Whisper’ın 6. ila 10. sınıflardaki WER’i, 4. sınıftaki en düşük değerinin üzerinde kalır.
2025 tarihli bir ESPnet kıyaslaması, farklı modellerle aynı uçurumu buldu. Sıfır atışlı Whisper large, 4 ila 7 yaş için %43,9 aldı, ardından 8 ila 10 yaşta %13,4’ten 11 ila 15 yaşta %18,6’ya yeniden yükseldi; çocuk konuşmasında ince ayar yapılmış açık bir model ise her grupta %10’un altında kaldı (Ying ve ark., Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Aynı yaş cezası konuşmacı doğrulamada (iki kaydın aynı kişiden gelip gelmediğini kontrol etme) da görülür ve bu, çocuk hesaplarında sesle giriş yapan her sistem için önemlidir.
| Metrik | Değer | Kaynak |
|---|---|---|
| CSLU Kids senaryolu testinde sıfır atışlı Whisper WER’i: anasınıfı ve 4. sınıf | %84,6 karşı %17,5 | Singh ve ark., 2025 |
| Aynı test: 1. sınıf; 2. sınıf; 3. sınıf | %37,5; %28,0; %23,1 | Singh ve ark., 2025 |
| Aynı test: 10. sınıf | %22,4 | Singh ve ark., 2025 |
| Yaşa göre sıfır atışlı Whisper large WER’i: 4 ila 7; 8 ila 10; 11 ila 15 | %43,9; %13,4; %18,6 | Ying ve ark., WOCCI 2025 |
| Çocuk konuşmasında ince ayar yapılmış OWSM v3.1, yaşa göre WER: 4 ila 7; 8 ila 10; 11 ila 15 | %9,0; %7,3; %1,8 | Ying ve ark., WOCCI 2025 |
| Konuşmacı doğrulama eşit hata oranı (denge noktasında yanlış kabul/ret kararlarının payı), 4 ila 7 yaş ve 11 ila 15 yaş | %13,2 karşı %3,73 | Ying ve ark., WOCCI 2025 |
| Ortalama yaşı 4,9 olan çocukların tamamen doğru yazıya dökülen ifadeleri: Whisper large-v3 ve Google bulut ASR (2024) | %36,8 karşı %9,6 | Janssens ve ark., Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Aykırı değer notu: MMS modeli, Singh ve ark. testinde 6. sınıfta %193,3 WER aldı, çünkü söylenenden çok daha fazla kelime ekledi. %100’ün üzerindeki WER kontrolsüz eklemelerin işaretidir, yazım hatası değil.
3. Çocuk Konuşması Yetişkinlerle Eğitilmiş Modelleri Neden Bozuyor: Akustik ve Akıcısızlık
İki mekanizma baskın. Birincisi, ses kendisi hareketli bir hedeftir. 5 ila 17 yaş arası 436 çocuk ve 56 yetişkinle yapılan bir çalışma, ses birimi sürelerinin yetişkin düzeyine yalnızca 12 yaş civarında yaklaştığını, perde ve formant (ünlüleri ayırt eden rezonanslar) değişkenliğinin ise yaklaşık 2 ila 3 yıl daha aldığını buldu (Lee, Potamianos ve Narayanan, JASA 1999). Yetişkin rezonanslarına göre ayarlanmış bir model, fiilen farklı bir enstrümanı dinlemektedir. Mevcut en güncel veri: Lee, Potamianos ve Narayanan, 1999.
İkincisi, çocuklar farklı konuşur. Spontan açıklamaları, yetişkin görüşmelerine göre daha yüksek akıcısızlık ve dolgu sözcüğü oranları gösterdi; bunlara çok daha fazla ‘um’ ve yarıda kesilmiş daha fazla sözcük de dahildir (Tran ve ark., Analysis of Disfluency in Children’s Speech, Interspeech 2020). 2025 tarihli nedensel modelleme, yaşı ve bir ifadedeki kelime sayısını hata etkenlerinin başına koydu; arka plan gürültüsü ve telaffuz becerisi bunların gerisinde kaldı. Klinik nedenlerle yetişkin normundan ayrılan konuşma da aynı tuzakla karşılaşır; disartrik ve atipik konuşma verisi derlememiz bunu gösteriyor.
| Metrik | Değer | Kaynak |
|---|---|---|
| Gelişimsel akustik çalışmasındaki konuşmacılar | 5 ila 17 yaş arası 436 çocuk; 56 yetişkin | Lee, Potamianos ve Narayanan, JASA 1999 |
| Ses birimi sürelerinin yetişkin düzeyine ulaştığı yaş | yaklaşık 12 | Lee, Potamianos ve Narayanan, JASA 1999 |
| Konuşmacı içi perde ve formant değişkenliğinin yetişkin aralığına ulaşması için gereken ek süre | yaklaşık 2 ila 3 yıl | Lee, Potamianos ve Narayanan, JASA 1999 |
| Erkek ve kız çocuklarının perde ve formant örüntülerinin ayrılmaya başladığı yaş; tam olarak yerleştiği yaş | yaklaşık 11; yaklaşık 15 | Lee, Potamianos ve Narayanan, JASA 1999 |
| Akıcısızlık oranı: çocuklar, yetişkin Switchboard ve yetişkin CallHome görüşmeleri | %10,1 karşı %6,2 karşı %6,3 | Tran ve ark., Interspeech 2020 |
| ’um’ dolgu sözcüğü oranı: çocuklar ve yetişkin Switchboard | %2,3 karşı %0,5 | Tran ve ark., Interspeech 2020 |
| Kelime parçası oranı (yarıda kesilmiş kelimeler): çocuklar ve yetişkin Switchboard | %1,8 karşı %0,5 | Tran ve ark., Interspeech 2020 |
Bağlam notu: akıcısızlık derlemi küçüktür (26 çocuk, yaklaşık 1,26 saatlik çocuk konuşması) ve makale çocukların yaşını bir yerde 4,8 ila 7, başka bir yerde 5 ila 8 olarak veriyor. Mevcut en güncel veri: 2020.
4. Veri Kıtlığı: Çocuk Konuşması Saatleri ve Temel Model Eğitim Kümeleri
Boyut uyumsuzluğu birkaç büyüklük mertebesi kadardır. Whisper-largeV3 1 milyon saatlik ses üzerinde eğitildi; 2024 tarihli bir kıyaslamada ise ince ayar için 133 saatlik süzülmüş MyST çocuk konuşması vardı; yani çocuk kümesi, bu ön eğitim havuzunun yaklaşık %0,0133’üne eşit (133 / 1.000.000) (Fan ve ark., Interspeech 2024). Daha yalın Parakeet modeli bile 64.000 saat gördü; bu, MyST eğitim bölümünün yaklaşık 480 katı (64.000 / 133).
MyST de yalnızca çocuk konuşması standartlarına göre büyüktür. Linguistic Data Consortium kataloğu, 2008 ile 2017 arasında toplanmış, 3. ila 5. sınıftaki 1.371 öğrenciden yaklaşık 470 saat listeliyor; 227.567 ifadenin 102.433’ü yazıya dökülmüş (LDC2021S05, MyST Children’s Conversational Speech). Derlemi oluşturanlar onu yaklaşık 400 saat olarak tanımlıyor ve çocuk konuşmasını büyük ölçekte elde etmenin ne kadar zor olduğuna dikkat çekiyor (Pradhan, Cole ve Ward, LREC-COLING 2024). Daha küçük çocuklar ve diğer diller için çok daha azı var: 3 ila 5 yaş için hazırlanan 2025 tarihli bir Mandarin derlemi 41,25 saat içeriyor (Zhou ve ark., ChildMandarin 2025).
| Metrik | Değer | Kaynak |
|---|---|---|
| Ön eğitim verisi: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 saat | Fan ve ark., Interspeech 2024 |
| Kataloglandığı haliyle MyST derlemi | yaklaşık 470 saat; 3. ila 5. sınıftaki 1.371 öğrenci; 10.496 özel ders oturumu | Linguistic Data Consortium, LDC2021S05 (2021) |
| Yazıya dökümü olan MyST ifadeleri | 227.567 ifadenin 102.433’ü (yaklaşık %45) | Linguistic Data Consortium, LDC2021S05 (2021) |
| ChildMandarin derlemi, 3 ila 5 yaş arası çocuklar | 41,25 saat; 397 konuşmacı | Zhou ve ark., ChildMandarin 2025 |
| 2025 tarihli bir derlem taramasında listelendiği haliyle PF-STAR İngiliz İngilizcesi çocuk derlemi | 14,5 saat; 4 ila 14 yaş arası 158 konuşmacı | Zhou ve ark., ChildMandarin 2025 |
| CMU Kids; OGI Kids senaryolu konuşma | 9 saat, 76 konuşmacı; 70 saat, 1.118 konuşmacı | Ying ve ark., WOCCI 2025 |
| 2018 tarihli bir aktarımlı öğrenme çalışmasında çocuk ve yetişkin eğitim verisi | 91,61 saat (6 ila 14 yaş) karşı 205,82 saat (TED-LIUM yetişkinleri) | Shivakumar ve Georgiou, arXiv 2018 |
Bağlam notu: MyST saat sayıları kaynağa göre değişir (LDC kataloğunda yaklaşık 470, derlem makalesinde 393 veya yaklaşık 400, 2024 kıyaslamasında yaklaşık 240 yazıya dökülmüş saat). Her rakamı kendi kaynağıyla bildiriyoruz.
5. İnce Ayar ve Uyarlama Kazançları
İnce ayar, bir modelin çocuk kayıtları üzerinde eğitilmeye devam etmesi demektir. En güvenilir çözümdür ve kazançlar, sıfır atışlı modelin en kötü olduğu yerde en büyüktür. Whisper Large-V2, yalnızca 10 saatlik PF-STAR konuşması üzerinde ince ayardan sonra PF-STAR İngiliz çocuklarında %73,68’den %2,88 WER’e düştü (Jain ve ark., Interspeech 2023). MyST sohbet konuşmasında Whisper-small %13,4’ten %9,3’e indi; bu %30,6’lık göreli bir azalma ((13,4 - 9,3) / 13,4) ve 1,29 milyon parametreyi güncelleyen küçük bir adaptör modülü, 242 milyonun tamamının ince ayarıyla aynı sonucu verdi.
Daha yeni teknikler son birkaç puanın peşinde. İlişkili modellerin yalnızca dikkat ağırlıklarını birleştirmek, Whisper-small için %8,69 WER ile bir MyST rekoru getirdi (Balaji Shankar ve ark., Selective Attention Merging, ICASSP 2025); ASR çıktısı ve insan dökümünden oluşan 200K çift üzerinde eğitilmiş bir metin düzeltme modeli ise dört çocuk derleminde hataları azalttı. Bir test kümesinin nasıl temizlendiği, yöntem kadar önemlidir: WER’i %50’nin üzerinde olan veya 3 kelimeden kısa dosyaları çıkarmak, model hiç değişmeden Whisper-Large-v1’in MyST test WER’ini %26,2’den %14,2’ye taşıdı (Attia ve ark., Kid-Whisper, AIES 2024).
| Metrik | Değer | Kaynak |
|---|---|---|
| PF-STAR’da Whisper Large-V2 WER’i: 10 saatlik çocuk konuşması üzerinde ince ayardan önce ve sonra | %73,68 karşı %2,88 | Jain ve ark., Interspeech 2023 |
| Whisper-small WER’i, sıfır atışlı ve ince ayarlı: MyST testi; OGI Kids testi | %13,4 karşı %9,3; %25,4 karşı %1,8 | Fan ve ark., Interspeech 2024 |
| Eğitilen parametreler, adaptör ayarı ve tam ince ayar (ikisi de MyST’te %9,3 WER) | 1,29 milyon karşı 242 milyon | Fan ve ark., Interspeech 2024 |
| CSLU Kids spontan konuşmasında Whisper Medium.en WER’i: sıfır atışlı ve MyST artı CSLU üzerinde ince ayarlı | %31,85 karşı %16,53 | Attia ve ark., Kid-Whisper, AIES 2024 |
| Selective Attention birleştirme ve veri artırımı ile Whisper-small, MyST WER’i | %8,69 (%14’e varan göreli azalma) | Balaji Shankar ve ark., ICASSP 2025 |
| Üretken hata düzeltme, dört çocuk derleminde WER: önce ve sonra | %30,5 karşı %21,8 (%28,5 göreli) | Balaji Shankar ve ark., CHSER, Interspeech 2025 |
| Karma çocuk ve yetişkin ince ayarı ve önceden eğitilmiş model | %5’e varan mutlak (%21 göreli) daha düşük WER | Graave ve ark., Interspeech 2024 |
| 3 ila 5 yaş arası çocukların Mandarin konuşmasında Whisper-small karakter hata oranı: sıfır atışlı ve ince ayarlı | %37,99 karşı %17,45 | Zhou ve ark., ChildMandarin 2025 |
Aykırı değer notu: kazançlar aksanlar, yaşlar ve konuşma tarzları arasında temiz biçimde aktarılmaz. Aynı 2023 çalışmasında Whisper Medium, Amerikan MyST konuşması üzerinde ince ayardan sonra PF-STAR çocuklarında %19,76 aldı; PF-STAR’ın kendisi üzerinde ince ayardan sonra ise %3,15.
6. Sınıfta Okuma Değerlendirmesi: Hata Oranlarının Kararlarla Buluştuğu Yer
Eğitimde WER nihai ölçüt değildir. Bir okuma öğretmeni sisteminin, çocuğun her kelimeyi doğru okuyup okumadığına karar vermesi gerekir; bu yüzden bir döküm makul bir WER yayımlayıp yine de öğretmenin görmesi gereken hataları kaçırabilir. 7 ila 11 yaş arası 71 çocukla yapılan Hollandaca sesli okuma testlerinde, ince ayarsız Whisper large-v2, okuma hatalarını saptamada .01 Matthews korelasyon katsayısına (MCC; 0’ın tesadüfü, 1’in mükemmel uyumu gösterdiği bir uyum skoru) ulaştı; özel olarak ayarlanmış bir Kaldi sistemi ise .63’e (Molenaar ve ark., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Mevcut en güncel veri: 2023.
Ticari bir konuşma doğrulama sistemiyle yapılan 2026 tarihli bir ABD çalışması, göreve göre aynı örüntüyü buldu (Petscher ve ark., Frontiers in Education 2026). İnsan değerlendiricilerle uyum, Cohen’in kappa katsayısıyla (tesadüfün ötesindeki uyum, 0 ile 1 arasında) ölçüldüğünde ifade edici sözcük dağarcığında en yüksek, üç görev içinde fonolojik olarak en karmaşık olan fonem birleştirmede en düşüktü. Uyum, kelime okumada öğrenci gruplarına göre de farklılaştı; bu bulgu, hangi çocukların fonetik destek ihtiyacı olduğuna karar vermek için otomatik taramayı kullanan her okul bölgesi için önemlidir.
| Metrik | Değer | Kaynak |
|---|---|---|
| Hollandaca sesli okuma çalışmasındaki çocuklar; yaş aralığı | 71; 7 ila 11 | Molenaar ve ark., Interspeech 2023 |
| İnsanların okuma hatası yargılarıyla uyum (MCC): Kaldi-PM sistemi ve Whisper large-v2 | .63 karşı .01 | Molenaar ve ark., Interspeech 2023 |
| Çocukların okumasında elle yapılmış dökümlere göre WER: Kaldi-PM sistemi ve Whisper large-v2 | %5,2 karşı %13,4 | Molenaar ve ark., Interspeech 2023 |
| ABD konuşma doğrulama çalışmasındaki anasınıfı öğrencileri | üç eyaletteki 20 okuldan 429 | Petscher ve ark., Frontiers in Education 2026 |
| 50 eşiğinde sistem ile insan değerlendiriciler arasındaki kappa: fonem birleştirme; ifade edici sözcük dağarcığı; kelime okuma | 0,16; 0,72; 0,51 | Petscher ve ark., Frontiers in Education 2026 |
| 50 eşiğinde insan değerlendiricilerle aynı sınıflandırılan yanıtların payı, aynı üç görev | 0,52; 0,87; 0,80 | Petscher ve ark., Frontiers in Education 2026 |
| 80 eşiğinde kelime okuma kappa değeri: Siyah ve Beyaz öğrenciler | 0,25 karşı 0,47 | Petscher ve ark., Frontiers in Education 2026 |
Bağlam notu: Kaldi-PM dağıtıma hazır bir kestirme yol değildir, çünkü sözcük listesi okuma istemlerini test verisinin elle yapılmış dökümlerindeki kelimelerle birleştirir. Onu, sıkı biçimde kısıtlanmış bir sistemin neler yapabildiğinin ölçüsü olarak değerlendirin ve %5,2 değerini bu kurulumla birlikte okuyun.
7. Çocuk Konuşması Toplamayı Sınırlayan Gizlilik Kuralları
Bölüm 4’teki veri açığı kısmen bir politika sonucudur. 22 Nisan 2025’te yayımlanan değiştirilmiş COPPA Kuralı, biyometrik tanımlayıcıları çocukların kişisel bilgisi tanımına ekledi ve ses izlerini açıkça adlandırıyor (FTC, COPPA Final Rule Amendments 2025). Ses için veli onayı istisnası, bir çocuğun sesini içeren ve başka hiçbir kişisel bilgi barındırmayan, yalnızca çocuğun talebine yanıt vermek için kullanılan ve ardından hemen silinen bir dosyayı kapsar; bu da o istisna kapsamında dosyayı eğitim verisi olarak saklamaya yer bırakmaz.
Uygulama metni destekliyor. 2023’te FTC ve Adalet Bakanlığı, Amazon’u çocukların Alexa kayıtlarını süresiz saklamakla suçladı; önerilen düzenleme 25 milyon dolarlık hukuki para cezası içeriyordu ve kapsanan ses verisinin veri ürünleri oluşturmak veya geliştirmek için kullanılmasını yasaklıyordu (FTC basın bildirisi, 31 Mayıs 2023). Araştırmacılar tanımayı cihaza taşıyarak yanıt veriyor: ince ayarlı bir Whisper tiny.en modeli, gizlilik kurallarını gerekçe göstererek bir Raspberry Pi üzerinde MyST’te %15,9 WER ile çalıştı (Dutta, Chandupatla ve Hansen, WOCCI 2025).
| Metrik | Değer | Kaynak |
|---|---|---|
| COPPA’nın kapsadığı yaş | 13 yaşından küçük çocuklar | FTC basın bildirisi, 2023 |
| Değiştirilmiş COPPA Kuralı: Komisyon oyu; incelenen kamuoyu yorumları | 5-0; yaklaşık 300 | FTC basın bildirisi, 16 Ocak 2025 |
| Değiştirilmiş kural: Federal Register’da yayım; tam uyum süresi | 22 Nisan 2025; yayımdan itibaren bir yıl | FTC, COPPA Final Rule Amendments 2025 |
| Kişisel bilgi olarak adlandırılan biyometrik tanımlayıcılar | ses izleri; parmak izleri, yüz şablonları ve yürüyüş örüntüleri ile birlikte | FTC, COPPA Final Rule 2025 |
| Amazon Alexa davası: hukuki para cezası; Alexa’yı kendi profilleriyle kullanan çocuklar | 25 milyon dolar; 800.000’den fazla | FTC, Amazon Alexa basın bildirisi ve iş dünyası blogu, 31 Mayıs 2023 |
| Raspberry Pi üzerinde cihaz içi Whisper tiny.en: MyST WER’i; veri süzmeyle; gerçek zaman faktörü (işlem süresinin ses uzunluğuna bölümü) | %15,9; %11,8; 0,23 ila 0,41 | Dutta ve ark., WOCCI 2025 |
Bağlam notu: FTC’nin ses kayıtlarına ilişkin 2017 uygulama politikası aynı kısa saklama mantığını ortaya koydu; yalnızca yazılı kelimelerin yerine toplanan sese izin verdi ve sesin hemen silinmesini şart koştu (FTC politika bildirimi, 2017). Amazon davasına ilişkin mevcut en güncel veri: 2023.
Özet: Çocuk Konuşma Tanımada Kelime Hata Oranı Rakamlarla
| Metrik | Değer | Kaynak |
|---|---|---|
| CSLU Kids senaryolu testinde sıfır atışlı Whisper WER’i: anasınıfı ve 4. sınıf | %84,6 karşı %17,5 | Singh ve ark., 2025 |
| Çocuk eğitimi olmadan Whisper Large-V2 WER’i: MyST çocukları ve yetişkin okuma konuşması | %25,00 karşı %5,40 | Jain ve ark., Interspeech 2023 |
| Sıfır atışlı Whisper large WER’i: 4 ila 7 yaş ve 8 ila 10 yaş | %43,9 karşı %13,4 | Ying ve ark., WOCCI 2025 |
| Konuşmacı doğrulama hata oranı: 4 ila 7 yaş ve 11 ila 15 yaş | %13,2 karşı %3,73 | Ying ve ark., WOCCI 2025 |
| Ortalama yaşı 4,9 olan çocuklar: tamamen doğru dökümler, Whisper large-v3 ve Google | %36,8 karşı %9,6 | Janssens ve ark., Technological Advances in Human-Robot Interaction 2024 |
| Yetişkinlerle eğitilmiş tanıyıcılar: çocuklarda ve yetişkinlerde | iki ila beş kat daha kötü | Potamianos ve Narayanan, IEEE TSAP 2003 |
| Çocukların ses birimi sürelerinin yetişkin düzeyine ulaştığı yaş | yaklaşık 12 | Lee, Potamianos ve Narayanan, JASA 1999 |
| Akıcısızlık oranı: çocuklar ve yetişkin Switchboard | %10,1 karşı %6,2 | Tran ve ark., Interspeech 2020 |
| Ön eğitim verisi, Whisper-largeV3 ve süzülmüş MyST çocuk eğitim kümesi | 1.000.000 karşı 133 saat | Fan ve ark., Interspeech 2024 |
| MyST derlem boyutu | yaklaşık 470 saat; 1.371 öğrenci | Linguistic Data Consortium, LDC2021S05 |
| Mandarin çocuk derlemi, 3 ila 5 yaş | 41,25 saat; 397 konuşmacı | Zhou ve ark., ChildMandarin 2025 |
| PF-STAR’da Whisper Large-V2: 10 saatlik ince ayardan önce ve sonra | %73,68 karşı %2,88 | Jain ve ark., Interspeech 2023 |
| MyST’te bildirilen en iyi Whisper-small WER’i (dikkat birleştirme artı veri artırımı) | %8,69 | Balaji Shankar ve ark., ICASSP 2025 |
| Dört çocuk derleminde üretken hata düzeltme | %30,5’ten %21,8 WER’e | Balaji Shankar ve ark., CHSER, Interspeech 2025 |
| Okuma hatası saptama uyumu (MCC): Kaldi-PM sistemi ve Whisper large-v2 | .63 karşı .01 | Molenaar ve ark., Interspeech 2023 |
| Anasınıfı tarama kappa değeri: fonem birleştirme ve ifade edici sözcük dağarcığı | 0,16 karşı 0,72 | Petscher ve ark., Frontiers in Education 2026 |
| Amazon Alexa çocuk ses verisi davası, hukuki para cezası | 25 milyon dolar | FTC, 2023 |
Metodoloji ve Kaynaklar
Yukarıdaki her rakamın arkasındaki birincil makaleyi, katalog kaydını, dergi makalesini veya düzenleyici metni okumak için 21 web araması yaptık. WER değerleri her makalenin yazdığı haliyle bildirilmiştir; test kümeleri, metin normalleştirme ve süzme çalışmalar arasında farklıdır, bu yüzden rakamları çalışmalar arasında değil, bir satır veya tek bir çalışma içinde karşılaştırın. Üç yıldan eski rakamlar, ilgili bölümlerinde mevcut en güncel veri olarak işaretlenmiştir.
- Singh, Sahidullah ve Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (Computer Speech and Language dergisine gönderildi)
- Jain, Barcovschi, Yiwere, Corcoran ve Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar ve Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying ve ark., Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia ve ark., Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens ve ark., Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos ve Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos ve Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran ve ark., Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole ve Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou ve ark., ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar ve Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar ve ark., Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar ve ark., CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave ve ark., Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar ve ark., Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher ve ark., Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla ve 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 Ocak 2025 ve 16 CFR Part 312: COPPA Final Rule Amendments
- FTC ve DOJ, Amazon Alexa basın bildirisi, 31 Mayıs 2023 ve Alexa davası üzerine FTC iş dünyası blogu
- Veri notu: (1) MyST üzerindeki sıfır atışlı Whisper sonuçları, test kümesinin süzülüp süzülmediğine bağlı olarak yaklaşık %12,5 ile %25 arasında değişir; dolayısıyla 2023 ve 2024 kıyaslamaları doğrudan karşılaştırılamaz. (2) MyST boyutu yaklaşık 470 saat (LDC), 393 veya yaklaşık 400 saat (derlem makalesi) ve yaklaşık 240 yazıya dökülmüş saat (2024 kıyaslaması) olarak bildirilmiştir. (3) Singh ve ark. sınıf düzeyi sonuçları bir ön baskıdır ve makale MyST’i bir yerde 3. ila 5. sınıf, başka bir yerde 5. ila 8. sınıf olarak tanımlar. (4) ESPnet kıyaslaması en iyi ortalama WER’ini bir bölümde Whisper-small’a, başka bir bölümde Whisper medium’a atfeder. (5) CHSER özetindeki, zaten ince ayarlanmış sistemler için %13,3’lük azalma yalnızca Whisper Tiny için geçerlidir; metin %9 ile %13,3 arasında bir aralık verir. (6) Molenaar ve ark. makalesi, Kaldi-PM’nin MCC değerini sonuç metninde .62, başka yerde .63 olarak basar (biz .63 kullanıyoruz) ve tablosu, sözcük dağarcığı yalnızca test dökümlerinden gelen Kaldi-MO’yu .65 olarak gösterir. (7) Frontiers çalışması tek bir ticari sistemi değerlendirdi; bu nedenle uyum rakamları tüm okuma araçlarına genellenmemelidir. (8) Birkaç temel rakam (1999, 2003, 2020, 2023) mevcut en güncel veri olarak işaretlenmiştir; ICASSP 2027 bildirilerinin kıyaslama rakamlarını güncellemesi bekleniyor.
Son güncelleme: 31 Ekim 2026. Bu derlemeyi üç ayda bir güncelliyoruz ve bir sonraki yenilemenin ICASSP 2027 bildirileri yayımlandığında yapılması bekleniyor.