Khi Speech Accessibility Project bắt đầu, cơ sở dữ liệu lời nói không điển hình lớn nhất gồm 16 người bị bại não; đến cuối tháng 9 năm 2025, khoảng 2.000 người tham gia đã gửi bản ghi âm cho dự án (Speech Accessibility Project, 2025 và 2026). Project Euphonia của Google, kho ngữ liệu lớn còn lại, đạt hơn 1,5 triệu phát ngôn từ khoảng 3.000 người nói vào tháng 2 năm 2025, nhưng đóng cửa với các nhóm bên ngoài (Martin và cs., Frontiers in Language Sciences 2025; Google Project Euphonia). Nhiều dữ liệu hơn vẫn chưa xóa được khoảng cách: trong một phép đối sánh năm 2026 trên tám hệ thống AI, lời nói điển hình vẫn dưới 5% tỷ lệ lỗi từ (WER, tỷ lệ số từ mà một hệ thống nhận sai), trong khi chứng loạn vận ngôn nặng vượt 51% ở mọi hệ thống (Alsayegh và Masood, International Journal of Intelligent Systems 2026). Chúng tôi tổng hợp dữ liệu từ Speech Accessibility Project tại University of Illinois Beckman Institute, Google Research, Linguistic Data Consortium, NIDCD, ASHA và hơn một chục bài báo được bình duyệt. Thống kê thiên lệch giọng vùng miền trong nhận dạng giọng nói của chúng tôi trình bày các lỗi này so với khoảng cách theo chủng tộc, phương ngữ và giọng nói ra sao; bài tổng hợp này xem xét chính các bộ dữ liệu: chúng lớn đến đâu, ai nằm trong đó và chúng tác động thế nào đến tỷ lệ lỗi.
Tóm tắt nhanh
- Khoảng 2.000 người đã gửi bản ghi âm cho Speech Accessibility Project tính đến cuối tháng 9 năm 2025 (Speech Accessibility Project, 2026).
- Project Euphonia có hơn 1,5 triệu phát ngôn từ khoảng 3.000 người nói vào tháng 2 năm 2025, và Google không chia sẻ ra ngoài công ty (Martin và cs., Frontiers in Language Sciences 2025).
- TORGO, một bộ đối sánh tiêu chuẩn từ năm 2012, có 8 người nói mắc chứng loạn vận ngôn và khoảng 23 giờ âm thanh (Linguistic Data Consortium, LDC2012S02).
- UA-Speech ghi âm 19 người nói bị bại não vào năm 2008, và 16 người còn lại trong bản phân phối hiện tại (University of Illinois, UA-Speech 2008).
- Bệnh Parkinson, bại não, ALS, hội chứng Down và đột quỵ đều được lên kế hoạch mỗi nhóm 400 người tham gia trong Speech Accessibility Project (ClinicalTrials.gov NCT05889260).
- Người nói mắc ALS chiếm 39,2% trong một tập con nghiên cứu Euphonia gồm 195 người nói, so với 10,8% đối với bệnh Parkinson (Tobin và Tomanek, Google 2021).
- Cả tám hệ thống AI đều vượt 51% WER với chứng loạn vận ngôn nặng trong TORGO (Alsayegh và Masood, IJIS 2026).
- Tỷ lệ lỗi ký tự zero-shot của Whisper-Turbo trên UA-Speech là 9,3% với người nói đối chứng và 165,2% với người nói loạn vận ngôn (de Groot và cs., TU Delft 2025).
- Việc tinh chỉnh USM của Google trên lời nói rối loạn đã giảm WER của lời nói nặng từ 48,1 xuống 31,3 (Tobin và cs., Google Research 2024).
- Các mô hình cá nhân hóa cải thiện WER của ALS 62% theo tỷ lệ tương đối, với 71% mức cải thiện đến từ 5 phút dữ liệu (Shor và cs., Interspeech 2019).
- TORGO chỉ có 957 văn bản duy nhất trong 16.394 mục văn bản (Hui và cs., 2024).
- Chứng loạn vận ngôn ảnh hưởng đến 44% đến 88% người mắc bệnh Parkinson (ASHA Practice Portal, Dysarthria in Adults).
1. Hai Kho Ngữ liệu Lớn: Speech Accessibility Project và Project Euphonia
Dữ liệu lời nói rối loạn nay đã có ở quy mô tương đương LibriSpeech, một bộ đối sánh lời nói đọc được dùng rộng rãi, nhưng chỉ một trong hai bộ sưu tập lớn là mở. Khoảng 2.000 người tham gia đã gửi bản ghi âm cho Speech Accessibility Project tính đến cuối tháng 9 năm 2025, và dự án cho biết khoảng 65 tổ chức đang sử dụng dữ liệu của mình. Kho ngữ liệu Euphonia của Google lớn hơn về số người nói, nhưng trang dự án của họ nêu rõ bộ dữ liệu không dành cho các nhóm hoặc công ty bên ngoài (Google, Project Euphonia).
Ý nghĩa thực tế là nghiên cứu mở về nhận dạng lời nói rối loạn phần lớn đi qua một cổng kiểm soát duy nhất. Speech Accessibility Project phát hành dữ liệu theo thỏa thuận sử dụng dữ liệu (một hợp đồng có chữ ký quy định ai được dùng các bản ghi âm và cho mục đích gì), đòi hỏi hai chữ ký từ tổ chức nộp đơn và có hiệu lực tối đa 3 năm (Speech Accessibility Project, trang Conduct Research). Sự tăng trưởng của Euphonia, từ 1,2 triệu phát ngôn năm 2024 lên hơn 1,5 triệu năm 2025, vẫn nằm trong nội bộ Google.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người tham gia đã gửi bản ghi âm cho Speech Accessibility Project, cuối tháng 9 năm 2025 | Khoảng 2.000 | Speech Accessibility Project, trang chủ 2026 |
| Gói dữ liệu Speech Accessibility Project, mô tả danh mục | Khoảng 1.090 giờ lời nói từ khoảng 1.130 người tham gia; năm tình trạng bệnh | Danh mục YorVoice của University of York, bản ghi Speech Accessibility Project |
| Trang truy cập nghiên cứu của Speech Accessibility Project | 1.500 giờ lời nói được ghi âm; khoảng 999 người tham gia; khoảng 65 tổ chức sử dụng dữ liệu | Speech Accessibility Project, trang Conduct Research 2026 |
| Kho ngữ liệu Project Euphonia, tháng 2 năm 2025 | Hơn 1,5 triệu phát ngôn từ khoảng 3.000 người nói | Google (Martin và cs.), Frontiers in Language Sciences 2025 |
| Kho ngữ liệu Project Euphonia, 2024 | 1,2 triệu phát ngôn từ hơn 2.000 người nói | Google (Jiang và cs.), Interspeech 2024 |
| Bản ghi âm Euphonia có bản chép lời đã được con người rà soát và hiệu chỉnh | 352.130 (29% kho ngữ liệu) | Google (Jiang và cs.), Interspeech 2024 |
| Người nói Euphonia có nhãn đặc điểm lời nói | Hơn 75% người nói, hơn 40 nhãn | Google (Jiang và cs.), Interspeech 2024 |
Bối cảnh: để hình dung quy mô, LibriSpeech, được xây dựng từ sách nói đọc to, là một kho ngữ liệu khoảng 1.000 giờ (OpenSLR, LibriSpeech). Hai mô tả về Speech Accessibility Project không khớp nhau (nhiều giờ hơn nhưng ít người tham gia hơn trên trang của chính dự án), điều chúng tôi ghi lại trong ghi chú về dữ liệu. Các số liệu Euphonia đến từ Jiang và cs. và Martin và cs..
2. Các Kho Ngữ liệu Cũ: TORGO, UA-Speech và Thời Dữ liệu Nhỏ
Trong hơn một thập kỷ, nhận dạng lời nói loạn vận ngôn được đối sánh trên một nhúm người nói. TORGO gồm 8 người nói mắc chứng loạn vận ngôn (5 nam, 3 nữ) và 7 người nói đối chứng, khoảng 23 giờ tiếng Anh được ghi âm tại Toronto từ năm 2008 đến 2010. UA-Speech, được ghi âm tại University of Illinois, gồm 19 người nói bị bại não, mỗi người đọc 765 từ riêng lẻ (Kim và cs., Interspeech 2008). Một mô hình được báo cáo là hiện đại nhất trên một trong hai kho ngữ liệu này, về thực chất, đã được kiểm thử trên ít người hơn một lớp học thông thường.
Các kho ngữ liệu cũng thu nhỏ và phân mảnh theo thời gian. UA-Speech hiện phân phối 16 trong số 19 người nói ban đầu vì ba người đã rút lại sự cho phép hoặc dữ liệu bị hỏng, và giấy phép cấm sử dụng thương mại (University of Illinois, UA-Speech). Ngoài tiếng Anh, bức tranh cũng tương tự: một kho ngữ liệu lệnh tiếng Ý và một kho ngữ liệu tiếng Quan Thoại đều chỉ dựa trên vài chục người nói.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người nói TORGO | 8 người mắc chứng loạn vận ngôn (bại não hoặc ALS) và 7 người đối chứng | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Âm thanh TORGO và phát hành | Khoảng 23 giờ, ghi âm từ 2008 đến 2010; phát hành ngày 19 tháng 1 năm 2012 | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Tài liệu đọc TORGO | 162 câu từ Yorkston và Beukelman, 460 câu lấy từ TIMIT, cộng với bản ghi chuyển động của lưỡi và môi (đo cấu âm bằng điện từ) | Linguistic Data Consortium, TORGO LDC2012S02 (2012) |
| Người nói UA-Speech bị bại não, ban đầu so với hiện đang phân phối | 19 so với 16 | Kim và cs., Interspeech 2008; University of Illinois, trang UA-Speech |
| Từ vựng và thiết lập ghi âm UA-Speech | 765 từ riêng lẻ mỗi người nói, gồm 300 từ hiếm khác nhau; dàn 8 micro | Kim và cs., Interspeech 2008 |
| Cơ sở dữ liệu lời nói không điển hình lớn nhất khi Speech Accessibility Project bắt đầu | 16 người bị bại não | Speech Accessibility Project, bài viết về Microsoft Azure 2025 |
| EasyCall (tiếng Ý) | 21.386 bản ghi âm từ 31 người nói loạn vận ngôn và 24 người nói khỏe mạnh | Turrisi và cs., Interspeech 2021 |
| CDSD (tiếng Quan Thoại) | 133 giờ từ 44 người nói | Wang và cs., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
Dữ liệu mới nhất hiện có: TORGO (LDC, 2012), UA-Speech (Kim và cs., 2008) và EasyCall (Interspeech 2021) đều đã hơn ba năm tuổi, và vẫn là các kho ngữ liệu mà phần lớn bài báo còn báo cáo kết quả. Bài báo CDSD tiếng Quan Thoại nêu 133 giờ gồm 124 giờ âm thanh cộng 9 giờ video, trong đó 80 giờ âm thanh đến từ chỉ 8 người nói, mỗi người được ghi âm 10 giờ.
3. Ai Có Mặt trong Dữ liệu: Căn nguyên, Mức độ Nặng và Ngôn ngữ
Mọi kho ngữ liệu lớn đều lệch về phía những người dễ tuyển nhất trước tiên. Speech Accessibility Project được thiết kế cho 2.000 người, 400 người cho mỗi một trong năm căn nguyên (nguyên nhân y khoa nền tảng gây ra sự khác biệt về lời nói): bệnh Parkinson, ALS, bại não, hội chứng Down và đột quỵ (ClinicalTrials.gov NCT05889260). Gói dữ liệu đầu tiên của dự án chỉ có người nói mắc bệnh Parkinson, và bản phát hành thử thách tháng 4 năm 2024, được ghi âm chủ yếu vào năm 2023, vẫn bị họ chi phối (Zheng và cs., Interspeech 2025 Challenge). Thống kê điều trị lời nói và giọng nói ở bệnh Parkinson của chúng tôi trình bày khía cạnh lâm sàng của nhóm dân số này.
Sự lệch của Euphonia đi theo hướng ngược lại, về phía ALS và về phía lời nói nhẹ hơn. Trong một tập con nghiên cứu gồm 195 người nói, ALS chiếm 39,2% số người nói và một phần tư được đánh giá là nặng. Phần lớn các bản ghi được đánh giá trong gói đầu tiên của Speech Accessibility Project nằm ở đầu ít suy giảm nhất của thang đánh giá độ rõ lời, điều này quan trọng vì một bộ dữ liệu chủ yếu gồm lời nói nhẹ sẽ làm đẹp điểm trung bình của mô hình.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Thiết kế dự kiến của Speech Accessibility Project | 2.000 người, 400 mỗi căn nguyên, 1,2 triệu mẫu lời nói (600 mỗi người) | ClinicalTrials.gov NCT05889260, bản ghi Speech Accessibility Project |
| Số người tham gia thực tế trong bản ghi sổ đăng ký (chỉ liệt kê bệnh Parkinson và các tình trạng parkinson liên quan) | 485 người tham gia; nghiên cứu hoàn tất ngày 31 tháng 7 năm 2025 | ClinicalTrials.gov NCT05889260, bản ghi Speech Accessibility Project |
| Bản phát hành thử thách SAP-240430, phần huấn luyện | 369 người nói, 131.420 phát ngôn, 290,35 giờ | Zheng và cs., Interspeech 2025 Speech Accessibility Project Challenge |
| SAP-240430, các phần phát triển và kiểm thử | Dev 55 người nói (43,56 giờ); Test1 50 người nói (42,16 giờ); Test2 50 người nói (38,77 giờ) | Zheng và cs., Interspeech 2025 Speech Accessibility Project Challenge |
| Tuyển chọn gói dữ liệu đầu tiên, số người đăng ký, được chấp thuận và được ghi âm | 746, 283 và 253 | Speech Accessibility Project (Hasegawa-Johnson và cs.), JSLHR 2024 |
| Gói dữ liệu đầu tiên, điểm đánh giá độ rõ lời trên thang 1 đến 7 (1 = suy giảm ít nhất) | 76% bản ghi được đánh giá ở mức 1; 1,5% ở mức 5 đến 7 | Speech Accessibility Project (Hasegawa-Johnson và cs.), JSLHR 2024 |
| Tập con 195 người nói Euphonia, theo căn nguyên | ALS 39,2%; bại não 13,4%; bệnh Parkinson 10,8%; khiếm thính 5,2%; thất điều 3,1% | Google (Tobin và Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| Tập con 195 người nói Euphonia, theo mức độ nặng | Điển hình 7,7%; nhẹ 35,4%; trung bình 31,8%; nặng 25,1% | Google (Tobin và Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Bối cảnh: độ bao phủ ngôn ngữ là chiều mỏng nhất. Mọi người tham gia trong gói đầu tiên của Speech Accessibility Project đều khai tiếng Anh Mỹ là tiếng mẹ đẻ (Hasegawa-Johnson và cs., JSLHR 2024), và trang Euphonia của Google lưu ý rằng chương trình Speech Accessibility Project hiện chỉ có bằng tiếng Anh. Việc mở rộng Euphonia sang thêm bốn ngôn ngữ đã đạt 132 người nói vào năm 2025: 76 tiếng Nhật, 38 tiếng Tây Ban Nha, 14 tiếng Pháp và 4 tiếng Hindi (Martin và cs., Frontiers in Language Sciences 2025). Người mắc ALS đối mặt với cùng khoảng trống đó khi lời nói của họ thay đổi, điều mà thống kê suy giảm lời nói do liệt hành tủy ở ALS của chúng tôi theo dõi theo thời gian.
4. Khoảng Cách Tỷ lệ Lỗi Từ với Lời nói Loạn vận ngôn
Các bộ nhận dạng dùng sẵn gần như đã giải quyết được chứng loạn vận ngôn nhẹ và vẫn thất bại ở đầu nặng. Trong một phép đối sánh năm 2026 trên tám hệ thống với TORGO, gồm Whisper large-v3, Deepgram Nova-3, GPT-4o và Gemini 2.5 Pro, chứng loạn vận ngôn nặng vượt 51% WER ở mọi hệ thống, trong khi các hệ thống dẫn đầu đạt khoảng 1% đến 2% với mức nhẹ (Alsayegh và Masood, IJIS 2026). Các mô hình ngôn ngữ lớn đa phương thức không cho thấy lợi thế nào so với các bộ nhận dạng thông thường ở cài đặt mặc định.
Mức độ nặng, chứ không phải thương hiệu mô hình, là biến dự báo thất bại. Mô hình cơ sở của chính Google tăng từ 10,7 WER với lời nói nhẹ lên 48,1 với lời nói nặng trên tập kiểm thử câu đọc mẫu của họ (Tobin và cs., Google Research 2024). Trên UA-Speech, Whisper-Turbo ở chế độ zero-shot (zero-shot nghĩa là dùng mà không thích nghi gì với người nói) cho tỷ lệ lỗi ký tự trên 100%, điều xảy ra khi một mô hình xuất ra nhiều ký tự sai hơn, kể cả các từ bịa ra, so với số ký tự có trong bản tham chiếu.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| TORGO, tám hệ thống AI thương mại và đa phương thức, lời nói điển hình so với chứng loạn vận ngôn nặng | Dưới 5% WER so với trên 51% WER ở mọi hệ thống | Alsayegh và Masood, International Journal of Intelligent Systems 2026 |
| TORGO, loạn vận ngôn nhẹ, các hệ thống dẫn đầu | Khoảng 1% đến 2% WER | Alsayegh và Masood, International Journal of Intelligent Systems 2026 |
| Loạn vận ngôn nặng, prompt mặc định so với prompt yêu cầu chép lời nguyên văn | GPT-4o từ 60,1% xuống 52,9%; GPT-4o Mini từ 66,0% xuống khoảng 55% | Alsayegh và Masood, International Journal of Intelligent Systems 2026 |
| UA-Speech, tỷ lệ lỗi ký tự zero-shot của Whisper-Turbo, người nói đối chứng so với người nói loạn vận ngôn | 9,3% so với 165,2% | de Groot và cs. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
| Tập kiểm thử câu đọc mẫu Euphonia, WER cơ sở của USM theo mức độ nặng | Nhẹ 10,7; trung bình 29,5; nặng 48,1 | Google (Tobin và cs.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Tập kiểm thử Parkinson (mọi câu đọc mẫu), mô hình chỉ được huấn luyện trên lời nói đọc điển hình | LibriSpeech 100 giờ: 45,15% WER; LibriSpeech 960 giờ: 38,76% WER | Speech Accessibility Project (Hasegawa-Johnson và cs.), JSLHR 2024 |
| Người nói có WER dùng sẵn đạt mục tiêu tự động hóa nhà thông minh 15%, tất cả người nói so với người nói nặng | 35% so với 10% | Google (Tobin và Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
Giá trị ngoại lệ: việc GPT-4o cải thiện khi dùng prompt chép lời nguyên văn cho thấy một phần lỗi của các mô hình đa phương thức với lời nói nặng đến từ việc diễn đạt lại điều đã nói, chứ không chỉ do nghe nhầm; các tác giả báo cáo rằng các mô hình Gemini không thu được lợi ích nhất quán nào từ cùng các prompt đó. Số liệu UA-Speech đến từ de Groot và cs., những người chỉ báo cáo kết quả loạn vận ngôn dưới dạng tổng hợp, không theo nhóm độ rõ lời, cho điều kiện zero-shot.
5. Mức Cải thiện từ Mô hình Cá nhân hóa và Mô hình Đã Tinh chỉnh
Một lượng nhỏ dữ liệu đúng loại làm tỷ lệ lỗi dịch chuyển nhiều hơn bất kỳ thay đổi kiến trúc nào. Các mô hình cá nhân hóa cải thiện WER 62% theo tỷ lệ tương đối với người nói mắc ALS, và 71% mức cải thiện đó đến từ chỉ 5 phút dữ liệu huấn luyện (Shor và cs., Interspeech 2019). Các mô hình đó được huấn luyện trên 67 người nói mắc ALS, khoảng 36 giờ âm thanh (blog Google Research, 2019).
Kết quả mới hơn là một mô hình dùng chung duy nhất có thể hấp thụ phần lớn lợi ích đó. USM của Google, được tinh chỉnh trên 1.158 giờ lời nói rối loạn, đã thu hẹp 64% khoảng cách giữa mô hình cơ sở và các mô hình riêng cho từng người nói, và Microsoft báo cáo mức tăng độ chính xác từ 18% đến 60% trong Azure AI Speech nhờ dữ liệu của Speech Accessibility Project, tùy theo tình trạng khuyết tật của người nói. Trần giới hạn vẫn là mức độ nặng: WER lời nói nặng 31,3 của mô hình đã tinh chỉnh cao hơn bốn lần con số lời nói nhẹ 7,3 trong cùng một bảng (31,3 chia 7,3 bằng 4,3).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Mức cải thiện WER tương đối từ mô hình cá nhân hóa, lời nói ALS so với lời nói có giọng vùng miền | 62% so với 35% | Google (Shor và cs.), Interspeech 2019 |
| WER của người nói ALS sau khi cá nhân hóa, các cụm từ trong ngân hàng thông điệp, loạn vận ngôn nhẹ so với nặng hơn | 10% so với 20% | Google (Shor và cs.), Interspeech 2019 |
| Người nói đạt mục tiêu tự động hóa nhà thông minh WER 15% với 50 phát ngôn (3 đến 4 phút) so với 250 phát ngôn (18 đến 20 phút) | 63% so với 79% | Google (Tobin và Tomanek), Personalized ASR on Small Disordered Speech Datasets 2021 |
| USM được tinh chỉnh trên lời nói rối loạn, WER trước so với sau, theo mức độ nặng | Nhẹ 10,7 xuống 7,3; trung bình 29,5 xuống 19,6; nặng 48,1 xuống 31,3 | Google (Tobin và cs.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Tinh chỉnh USM, mức cải thiện tương đối trên lời nói đọc câu mẫu so với lời nói hội thoại tự phát | 33% so với 26% | Google (Tobin và cs.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
| Mức tăng của Microsoft Azure AI Speech khi dùng dữ liệu Speech Accessibility Project | 18% đến 60%, tùy theo tình trạng khuyết tật của người nói | Speech Accessibility Project, bài viết về Microsoft Azure 2025 |
| Tỷ lệ lỗi ký tự kiểm thử CDSD tiếng Quan Thoại, chỉ huấn luyện trên CDSD so với tiền huấn luyện trên WenetSpeech rồi tinh chỉnh | 24,9% so với 16,4% | Wang và cs., Chinese Dysarthria Speech Database (arXiv v2, 2025) |
| UA-Speech, tỷ lệ lỗi ký tự của Whisper-Turbo đã tinh chỉnh theo nhóm độ rõ lời | Rất thấp 64,4%; thấp 44,8%; trung bình 40,1%; cao 30,2% | de Groot và cs. (TU Delft), Diffusion-Based Speech Enhancement for Dysarthric Speech 2025 |
Bối cảnh: người nói nặng vẫn là nhóm khó nhất ngay cả khi có toàn bộ dữ liệu của họ. Trong nghiên cứu cá nhân hóa của Euphonia, 69% người nói nặng đạt mục tiêu tự động hóa nhà thông minh 15% với toàn bộ bản ghi của họ, so với 99% người nói nhẹ (Tobin và Tomanek, 2021). Người đứng đầu Speech Accessibility Project cho biết việc huấn luyện trên một phần bộ dữ liệu đã giảm tỷ lệ lỗi cho người mắc bệnh Parkinson gần một nửa (Speech Accessibility Project, thông báo chia sẻ dữ liệu 2024). Dữ liệu mới nhất hiện có về cá nhân hóa theo từng người nói: Shor và cs. (2019) và Tobin và Tomanek (2021).
6. Cạm bẫy Đối sánh: Trùng lặp Câu đọc, Tạp nhiễu Ghi âm và Nhiễu Nhãn
Các kho ngữ liệu nhỏ với câu đọc lặp lại khiến độ chính xác được công bố trông tốt hơn so với sử dụng thực tế. TORGO chỉ có 957 văn bản duy nhất trong 16.394 mục văn bản, và mức trùng lặp câu đọc theo từng người nói với tám người nói loạn vận ngôn dao động từ 95,7% đến 100% (Hui và cs., 2024). Khi các tác giả dựng lại cách chia dữ liệu sao cho không câu nào xuất hiện ở cả huấn luyện lẫn kiểm thử, WER của một mô hình wav2vec2 với một người nói mức nhẹ tăng từ 3,17% lên 45,21%. Một mô hình có thể học danh sách câu thay vì học người nói.
Hiệu ứng tương tự xuất hiện ở kho ngữ liệu mới nhất. Trên các câu mà người nói trong tập huấn luyện cũng đã đọc, mô hình đã tinh chỉnh của Speech Accessibility Project đạt 5,18% WER, và bài báo báo cáo riêng các câu dùng chung và không dùng chung vì lý do đó. Điều kiện ghi âm là cái bẫy thứ hai: Schu và cs. (2022) phát hiện rằng phần lớn các bộ phân loại loạn vận ngôn hiện đại cho kết quả bằng hoặc tốt hơn trên các đoạn không có lời nói của UA-Speech và TORGO, nghĩa là chúng có thể đang nhận ra thiết lập ghi âm chứ không phải lời nói.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Văn bản duy nhất của TORGO so với tổng số mục văn bản | 957 so với 16.394 | Hui và cs., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Mức trùng lặp câu đọc theo từng người nói của TORGO, tám người nói loạn vận ngôn | 95,7% đến 100% | Hui và cs., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, người nói nặng M04, cách chia gốc so với cách chia không trùng lặp | 64,50% so với 93,75% | Hui và cs., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| WER wav2vec2, người nói nhẹ M03, cách chia gốc so với cách chia không trùng lặp | 3,17% so với 45,21% | Hui và cs., Enhancing AAC Software for Dysarthric Speakers, arXiv 2024 |
| Câu đọc Parkinson dùng chung với người nói trong tập huấn luyện, mô hình huấn luyện trên LibriSpeech 960 giờ so với tinh chỉnh trên dữ liệu dự án | 45,39% so với 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson và cs.), JSLHR 2024 |
| Rà soát bản chép lời Euphonia, bản chép lời được chuẩn hóa theo từng người nói so với phát ngôn có thay đổi từ ngữ thực sự | 72% trung bình so với dưới 5% | Google (Jiang và cs.), Interspeech 2024 |
| Bộ lọc tự động không-có-lời-nói của Euphonia, tỷ lệ bản ghi bị gắn cờ thực sự có chứa lời nói (tỷ lệ bỏ sót sai) | 47,7% | Google (Jiang và cs.), Interspeech 2024 |
| USM được tinh chỉnh trên lời nói rối loạn, WER LibriSpeech Clean trên lời nói điển hình | 2,4, không đổi ở các trọng số dữ liệu đã kiểm thử | Google (Tobin và cs.), Towards a Single ASR Model That Generalizes to Disordered Speech 2024 |
Bối cảnh: nhiễu nhãn trong Euphonia phần lớn mang tính hình thức, vì khoảng 95% hiệu chỉnh là dấu câu, chữ hoa hoặc chuẩn hóa khác; rủi ro lớn hơn là bộ lọc tự động loại bỏ lời nói hợp lệ nhưng nhỏ hoặc chậm, điều này loại đi đúng những người nói mà một bộ dữ liệu cần nhất. Kết quả của USM giải đáp một mối lo thường gặp: thêm lời nói rối loạn không làm giảm độ chính xác trên lời nói điển hình ở các trọng số mà các tác giả đã kiểm thử.
7. Bối cảnh Tỷ lệ Hiện mắc: Nhóm Dân số Mà Các Bộ Dữ liệu Này Phục vụ
Các kho ngữ liệu nêu trên bao gồm vài nghìn người nói; nhóm dân số có khác biệt về lời nói lên đến hàng triệu. Năm 2012, 7,7% trẻ em Mỹ từ 3 đến 17 tuổi mắc rối loạn giao tiếp hoặc nuốt trong 12 tháng qua, và vấn đề về lời nói là loại phổ biến nhất, ở mức 5,0% (NCHS Data Brief No. 205). Chỉ 55,2% số trẻ đó nhận được dịch vụ can thiệp trong cùng năm.
Ở người lớn, chứng loạn vận ngôn là biểu hiện thường gặp của các bệnh thần kinh phổ biến chứ không phải một rối loạn hiếm. Tổng quan của ASHA nêu mức 44% đến 88% ở người mắc bệnh Parkinson và 22% đến 58% ở người bị đột quỵ cấp (ASHA Practice Portal, Dysarthria in Adults), và những khoảng giá trị đó, chứ không phải thành phần của một mẫu thuận tiện, là điều mà một bộ dữ liệu mang tính đại diện cần phản ánh. Các rối loạn trôi chảy như nói lắp bổ sung thêm một nhóm dân số khác, được phân tích trong thống kê nhân khẩu học nói lắp của chúng tôi.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Trẻ em Mỹ từ 3 đến 17 tuổi mắc rối loạn giao tiếp hoặc nuốt, 12 tháng qua; vấn đề về lời nói | 7,7%; 5,0% | NCHS Data Brief No. 205 (2015, dữ liệu NHIS 2012) |
| Tỷ lệ hiện mắc theo độ tuổi, 3 đến 6 tuổi so với 11 đến 17 tuổi | 11,0% so với 4,9% | NCHS Data Brief No. 205 (2015, dữ liệu NHIS 2012) |
| Trẻ mắc rối loạn nhận được dịch vụ can thiệp, 12 tháng qua | 55,2% | NCHS Data Brief No. 205 (2015, dữ liệu NHIS 2012) |
| Người lớn Mỹ báo cáo có vấn đề về giọng nói trong 12 tháng qua | 7,6% (khoảng 17,9 triệu) | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Người Mỹ nói lắp; người Mỹ sống với chứng mất ngôn ngữ | Hơn 3 triệu (khoảng 1%); khoảng 2 triệu, với gần 180.000 ca mới mỗi năm | NIDCD, Quick Statistics About Voice, Speech, and Language |
| Tỷ lệ loạn vận ngôn, bệnh Parkinson; xơ cứng rải rác; đột quỵ cấp; chấn thương sọ não cấp đến bán cấp | 44% đến 88%; 40% đến 51%; 22% đến 58%; khoảng 30% đến 86% | ASHA Practice Portal, Dysarthria in Adults |
| Tỷ lệ loạn vận ngôn, bệnh Huntington; bệnh thần kinh cơ như ALS | 78% đến 93%; 26% đến 62% | ASHA Practice Portal, Dysarthria in Adults |
| Người lớn Mỹ gặp khó khăn về thính giác, lời nói hoặc ngôn ngữ cho biết từng gặp sự kỳ thị | 65% trong 1.004 người được khảo sát | ASHA-YouGov National Poll 2024 |
Dữ liệu mới nhất hiện có: các số liệu về tỷ lệ hiện mắc ở trẻ em đến từ National Health Interview Survey năm 2012, công bố năm 2015, và bản tóm tắt của chính NIDCD (NIDCD Quick Statistics) cũng trích dẫn cùng cuộc khảo sát đó. Số liệu về kỳ thị đến từ một cuộc thăm dò trực tuyến thực hiện từ ngày 21 đến 26 tháng 2 năm 2024 (ASHA-YouGov, 2024).
Tổng kết: Bộ Dữ liệu AI Lời nói Không Điển hình và Loạn vận ngôn qua các Con số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người tham gia đã gửi bản ghi âm cho Speech Accessibility Project, cuối tháng 9 năm 2025 | Khoảng 2.000 | Speech Accessibility Project, trang chủ 2026 |
| Gói dữ liệu Speech Accessibility Project, mô tả danh mục | Khoảng 1.090 giờ từ khoảng 1.130 người tham gia | Danh mục YorVoice của University of York, bản ghi Speech Accessibility Project |
| Kho ngữ liệu Project Euphonia, tháng 2 năm 2025 | Hơn 1,5 triệu phát ngôn từ khoảng 3.000 người nói | Google (Martin và cs.), Frontiers in Language Sciences 2025 |
| Bản ghi âm Euphonia có bản chép lời được con người rà soát | 352.130 (29%) | Google (Jiang và cs.), Interspeech 2024 |
| Người nói và âm thanh TORGO | 8 người nói loạn vận ngôn và 7 người nói đối chứng; khoảng 23 giờ | Linguistic Data Consortium, LDC2012S02 (2012) |
| Người nói UA-Speech bị bại não, ban đầu so với hiện đang phân phối | 19 so với 16 | Kim và cs., Interspeech 2008; University of Illinois |
| Thiết kế dự kiến của Speech Accessibility Project | 2.000 người, 400 mỗi căn nguyên | ClinicalTrials.gov NCT05889260 |
| SAP-240430 phần huấn luyện | 369 người nói, 290,35 giờ | Zheng và cs., Interspeech 2025 Speech Accessibility Project Challenge |
| Tập con 195 người nói Euphonia, tỷ lệ ALS so với Parkinson | 39,2% so với 10,8% | Google (Tobin và Tomanek) 2021 |
| Người nói Euphonia ngoài tiếng Anh, 2025 | 132 (tiếng Nhật 76, tiếng Tây Ban Nha 38, tiếng Pháp 14, tiếng Hindi 4) | Google (Martin và cs.), Frontiers in Language Sciences 2025 |
| TORGO, lời nói điển hình so với loạn vận ngôn nặng, tám hệ thống AI | Dưới 5% so với trên 51% WER | Alsayegh và Masood, IJIS 2026 |
| UA-Speech, tỷ lệ lỗi ký tự zero-shot của Whisper-Turbo, đối chứng so với loạn vận ngôn | 9,3% so với 165,2% | de Groot và cs. (TU Delft) 2025 |
| WER của USM trên lời nói rối loạn nặng, trước so với sau khi tinh chỉnh | 48,1 so với 31,3 | Google (Tobin và cs.) 2024 |
| Mô hình cá nhân hóa, mức cải thiện WER tương đối với lời nói ALS | 62%, với 71% mức cải thiện đến từ 5 phút dữ liệu | Google (Shor và cs.), Interspeech 2019 |
| Câu đọc Parkinson dùng chung với người nói trong tập huấn luyện, mô hình LibriSpeech 960 giờ so với mô hình tinh chỉnh trên dữ liệu dự án | 45,39% so với 5,18% WER | Speech Accessibility Project (Hasegawa-Johnson và cs.), JSLHR 2024 |
| Văn bản duy nhất của TORGO so với số mục văn bản | 957 so với 16.394 | Hui và cs., arXiv 2024 |
| Trẻ em Mỹ từ 3 đến 17 tuổi mắc rối loạn giao tiếp hoặc nuốt (2012) | 7,7% | NCHS Data Brief No. 205 (2015) |
| Chứng loạn vận ngôn ở người mắc bệnh Parkinson | 44% đến 88% | ASHA Practice Portal, Dysarthria in Adults |
Phương pháp luận và Nguồn
Chúng tôi đã thực hiện 17 lượt tìm kiếm và đọc trang bộ dữ liệu gốc, bản ghi sổ đăng ký, bài báo tạp chí hoặc bản thảo đăng trước đứng sau từng con số. Các tỷ lệ lỗi được báo cáo theo ký hiệu riêng của từng nguồn: WER cho tỷ lệ lỗi từ, tỷ lệ lỗi ký tự (CER) ở nơi nguồn sử dụng (tinh chỉnh UA-Speech và kho ngữ liệu tiếng Quan Thoại), có hoặc không có dấu phần trăm đúng như nguồn in ra. Các số liệu cũ hơn ba năm được đánh dấu trong từng phần là dữ liệu mới nhất hiện có.
- Trang chủ 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
- Danh mục YorVoice của University of York, bản ghi Speech Accessibility Project
- ClinicalTrials.gov, Speech Accessibility Project, NCT05889260
- Hasegawa-Johnson và cs., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng và cs., The Interspeech 2025 Speech Accessibility Project Challenge
- Google, trang ấn phẩm và truy cập dữ liệu của Project Euphonia
- Jiang và cs. (Google), Learnings from Curating a Trustworthy, Well-Annotated, and Useful Dataset of Disordered English Speech, Interspeech 2024
- Martin và cs. (Google), Project Euphonia: Advancing Inclusive Speech Recognition through Expanded Data Collection and Evaluation, Frontiers in Language Sciences 2025
- Tobin và Tomanek (Google), Personalized Automatic Speech Recognition Trained on Small Disordered Speech Datasets, 2021
- Tobin, Tomanek và Venugopalan (Google), Towards a Single ASR Model That Generalizes to Disordered Speech, 2024
- Shor và cs. (Google), Personalizing ASR for Dysarthric and Accented Speech with Limited Data, Interspeech 2019 và bài trên blog Google Research về cá nhân hóa Euphonia, 2019
- Linguistic Data Consortium, TORGO Database of Dysarthric Articulation, LDC2012S02
- Kim và cs., Dysarthric Speech Database for Universal Access Research, Interspeech 2008 và trang phân phối UA-Speech của University of Illinois
- Turrisi và cs., EasyCall Corpus: A Dysarthric Speech Dataset, Interspeech 2021
- Wang và cs., CDSD: Chinese Dysarthria Speech Database, arXiv v2 2025
- Alsayegh và Masood, Benchmarking Commercial Speech Recognition and Multimodal Large Language Models on Dysarthric Speech, International Journal of Intelligent Systems 2026
- de Groot và cs. (TU Delft), Objective and Subjective Evaluation of Diffusion-Based Speech Enhancement for Dysarthric Speech, 2025
- Hui, Zhang và Mohan, Enhancing AAC Software for Dysarthric Speakers in e-Health Settings: An Evaluation Using TORGO, 2024
- Schu, Janbakhshi và Kodrasi, On Using the UA-Speech and TORGO Databases to Validate Automatic Dysarthric Speech Classification Approaches, 2022
- OpenSLR, LibriSpeech ASR corpus
- Black, Vahratian và 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
- Lưu ý về dữ liệu: quy mô của Speech Accessibility Project được mô tả theo ba cách. Trang nghiên cứu của dự án nêu 1.500 giờ từ khoảng 999 người tham gia, bản ghi danh mục của University of York nêu khoảng 1.090 giờ từ khoảng 1.130 người tham gia, còn trang chủ đếm khoảng 2.000 người đã gửi bản ghi âm đến tháng 9 năm 2025 (bản ghi âm đã gửi không đồng nghĩa với dữ liệu đã phát hành và đã chép lời); chúng tôi báo cáo cả ba thay vì chọn một. Bản ghi ClinicalTrials.gov chỉ liệt kê bệnh Parkinson và các tình trạng parkinson liên quan, nên con số 485 người tham gia thực tế không nên được hiểu là tổng của dự án. Bài báo JSLHR nêu tập huấn luyện của gói đầu tiên là 190 người nói trong phần Phương pháp và 191 trong phần Kết quả. Tóm tắt trên tạp chí của TORGO mô tả bảy cá nhân có rối loạn lời nói, trong khi bản phát hành của LDC liệt kê tám người nói loạn vận ngôn; chúng tôi dùng con số của LDC. Tóm tắt bài báo USM mô tả khoảng 1.000 giờ lời nói rối loạn và dưới 1% dữ liệu huấn luyện, trong khi bảng huấn luyện liệt kê 1.158 giờ. Bài báo CDSD mô tả Phần B có 8 người nói ở một mục và 7 người ở mục khác sau khi một người nói bị loại do lỗi chú thích. Ở Tobin và Tomanek, phần văn bản nói 90% người nói nhẹ đạt mục tiêu với 50 phát ngôn trong khi bảng cho thấy 93%. Con số 18% đến 60% của Microsoft được mô tả là mức tăng độ chính xác mà không nêu rõ chỉ số hay tập kiểm thử. Hai con số về kho ngữ liệu Euphonia (2024 và 2025) phản ánh sự tăng trưởng chứ không phải mâu thuẫn. Tỷ lệ hiện mắc ở trẻ em: NIDCD báo cáo 7,2% chỉ cho rối loạn giọng nói, lời nói hoặc ngôn ngữ, so với 7,7% của NCHS có tính cả việc nuốt.
Cập nhật lần cuối: ngày 24 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và đợt làm mới tiếp theo dự kiến diễn ra khi Speech Accessibility Project công bố gói dữ liệu tiếp theo cùng bản phát hành phân chia huấn luyện/kiểm thử.