Khi dùng nguyên bản, Whisper tạo ra tỷ lệ lỗi từ 84,6% đối với trẻ mẫu giáo đọc các gợi ý theo kịch bản, so với 17,5% đối với học sinh lớp bốn trong cùng bài kiểm tra (Singh, Sahidullah và Kinnunen, Causal Analysis of ASR Errors for Children 2025). Tỷ lệ lỗi từ (WER) là phần trăm số từ mà một hệ thống thay thế, bỏ sót hoặc chèn thêm so với bản phiên âm của con người, nên giá trị này thậm chí có thể vượt 100%. Cùng họ mô hình này đạt WER 25,00% với trẻ em Mỹ trò chuyện với một gia sư khoa học và 5,40% với giọng đọc của người lớn (Jain và cộng sự, Interspeech 2023), và khoảng cách bám sát dữ liệu huấn luyện: kho dữ liệu trẻ em tiếng Anh công khai lớn nhất có khoảng 470 giờ (Linguistic Data Consortium, LDC2021S05), trong khi Whisper-largeV3 được huấn luyện trên 1 triệu giờ (Fan và cộng sự, Interspeech 2024). Tuổi tác chỉ là một trục của vấn đề; khoảng cách về giọng vùng miền và phương ngữ cùng tỷ lệ ảo giác cũng theo một logic độ phủ dữ liệu tương tự. Chúng tôi tổng hợp dữ liệu từ các bài báo của Interspeech, ICASSP và WOCCI, Journal of the Acoustical Society of America, Linguistic Data Consortium, Frontiers in Education và Ủy ban Thương mại Liên bang Hoa Kỳ.
Tóm tắt nhanh
- WER của Whisper zero-shot trong bài kiểm tra theo kịch bản của CSLU Kids: 84,6% ở mẫu giáo so với 17,5% ở lớp 4 (Singh và cộng sự, 2025).
- Whisper Large-V2 dùng nguyên bản: WER 25,00% trên giọng nói trẻ em MyST so với 5,40% trên giọng người lớn LibriTTS (Jain và cộng sự, Interspeech 2023).
- Whisper large zero-shot: WER 43,9% cho trẻ từ 4 đến 7 tuổi so với 13,4% cho trẻ từ 8 đến 10 tuổi (Ying và cộng sự, WOCCI 2025).
- Tỷ lệ mất lưu loát của trẻ em là 10,1% so với 6,2% trong các cuộc hội thoại người lớn của Switchboard (Tran và cộng sự, Interspeech 2020).
- Whisper-largeV3 được huấn luyện trên 1 triệu giờ so với 133 giờ dữ liệu huấn luyện trẻ em MyST đã lọc (Fan và cộng sự, Interspeech 2024).
- Chỉ khoảng 45% trong số 227.567 câu nói của MyST được phiên âm (Linguistic Data Consortium, LDC2021S05).
- Tinh chỉnh trên 10 giờ giọng nói trẻ em đã giảm WER của Whisper Large-V2 trên PF-STAR từ 73,68% xuống 2,88% (Jain và cộng sự, Interspeech 2023).
- Sửa lỗi bằng mô hình sinh đã giảm WER trẻ em từ 30,5% xuống 21,8%, tức giảm tương đối 28,5% (Balaji Shankar và cộng sự, CHSER, Interspeech 2025).
- Một hệ thống sàng lọc kỹ năng đọc đồng thuận với người chấm ở mức kappa 0,16 cho ghép âm vị so với 0,72 cho vốn từ (Petscher và cộng sự, Frontiers in Education 2026).
- Quy tắc COPPA sửa đổi liệt kê dấu vân giọng nói là thông tin cá nhân và yêu cầu xóa âm thanh ngay sau khi sử dụng (FTC, COPPA Final Rule 2025).
1. Khoảng Cách Giữa Trẻ Em và Người Lớn Khi Dùng Nguyên Bản
Con số then chốt của bất kỳ sản phẩm giọng nói trẻ em nào là điểm zero-shot, tức kết quả của một mô hình được dùng nguyên như khi phát hành, không huấn luyện thêm trên bản ghi âm trẻ em. Whisper Large-V2 đạt WER 25,00% trên giọng nói trẻ em MyST và 73,68% trên trẻ em Anh trong kho dữ liệu PF-STAR, so với 5,40% trên giọng đọc của người lớn, tức khoảng 4,6 lần và 13,6 lần tỷ lệ của người lớn (25,00 / 5,40 và 73,68 / 5,40) trong cùng một đợt đánh giá (Jain và cộng sự, Adaptation of Whisper models to child speech recognition, Interspeech 2023). Dữ liệu mới nhất hiện có cho phép so sánh này: 2023.
Các mô hình mới hơn thu hẹp nhưng chưa xóa được khoảng cách. Trong một bộ đánh giá chuẩn năm 2024, các mô hình Canary và Parakeet của NVIDIA đã vượt mọi kích cỡ Whisper trên giọng nói trẻ em dù tập huấn luyện nhỏ hơn nhiều, khiến các tác giả kết luận rằng chất lượng dữ liệu đôi khi quan trọng hơn quy mô dữ liệu (Fan, Balaji Shankar và Alwan, Interspeech 2024). Tỷ lệ này đã dai dẳng suốt hai thập kỷ: một nghiên cứu IEEE năm 2003 đã báo cáo tỷ lệ lỗi của trẻ em gấp hai đến năm lần người lớn.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper Large-V2 khi chưa huấn luyện trên trẻ em: trẻ em MyST so với giọng đọc người lớn LibriTTS | 25,00% so với 5,40% | Jain và cộng sự, Interspeech 2023 |
| WER của Whisper Large-V2 khi chưa huấn luyện trên trẻ em: trẻ em Anh PF-STAR; giọng đọc CMU Kids | 73,68%; 12,69% | Jain và cộng sự, Interspeech 2023 |
| WER zero-shot của Whisper-largeV3: bài kiểm tra MyST so với bài kiểm tra OGI Kids | 12,6% so với 19,9% | Fan và cộng sự, Interspeech 2024 |
| WER zero-shot của Canary (1B) so với Parakeet-RNNT (1.1B) trên bài kiểm tra MyST; trên bài kiểm tra OGI | 9,5% so với 11,1%; 18,2% so với 16,7% | Fan và cộng sự, Interspeech 2024 |
| WER zero-shot của Whisper Medium.en: giọng nói tự phát CSLU Kids so với test-clean người lớn LibriSpeech | 31,85% so với 3,02% | Attia và cộng sự, Kid-Whisper, AAAI/ACM AIES 2024 |
| Tỷ lệ lỗi của hệ thống nhận dạng huấn luyện bằng giọng người lớn: trên trẻ em so với người lớn | kém hơn từ hai đến năm lần | Potamianos và Narayanan, IEEE Transactions on Speech and Audio Processing 2003 |
Ghi chú bối cảnh: hai con số Whisper trên MyST (25,00% và 12,6%) không phải là mâu thuẫn về chất lượng mô hình. Bộ đánh giá chuẩn năm 2024 đã loại các câu nói có WER trên 50% hoặc dưới 3 từ trước khi chấm điểm, điều chỉ riêng nó đã làm kết quả dịch chuyển vài điểm (xem mục 5).
2. Tỷ Lệ Lỗi Theo Nhóm Tuổi
“Trẻ em” không phải là một nhóm dân số đồng nhất. Trong bài kiểm tra theo kịch bản của CSLU Kids, Whisper zero-shot giảm từ WER 84,6% ở mẫu giáo xuống 37,5% ở lớp 1 và 17,5% ở lớp 4, chênh lệch 4,8 lần (84,6 / 17,5) trong cùng một tập kiểm tra (Singh, Sahidullah và Kinnunen, Causal Analysis of ASR Errors for Children, 2025). Phần lớn cải thiện diễn ra trước lớp 4; sau đó đường cong ngừng giảm, và WER của Whisper ở lớp 6 đến lớp 10 nằm trên mức thấp nhất của nó ở lớp 4.
Một bộ đánh giá chuẩn ESPnet năm 2025 tìm thấy cùng vực thẳm này với các mô hình khác. Whisper large zero-shot đạt 43,9% cho trẻ từ 4 đến 7 tuổi, rồi tăng trở lại từ 13,4% ở nhóm 8 đến 10 tuổi lên 18,6% ở nhóm 11 đến 15 tuổi, trong khi một mô hình mở được tinh chỉnh trên giọng nói trẻ em vẫn dưới 10% ở mọi nhóm (Ying và cộng sự, Benchmarking Training Paradigms for Child ASR in ESPnet, WOCCI 2025). Cùng mức phạt theo tuổi xuất hiện trong xác minh người nói (kiểm tra xem hai bản ghi có đến từ cùng một người hay không), điều quan trọng với mọi hình thức đăng nhập bằng giọng nói cho tài khoản trẻ em.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper zero-shot trong bài kiểm tra theo kịch bản CSLU Kids: mẫu giáo so với lớp 4 | 84,6% so với 17,5% | Singh và cộng sự, 2025 |
| Cùng bài kiểm tra: lớp 1; lớp 2; lớp 3 | 37,5%; 28,0%; 23,1% | Singh và cộng sự, 2025 |
| Cùng bài kiểm tra: lớp 10 | 22,4% | Singh và cộng sự, 2025 |
| WER của Whisper large zero-shot theo tuổi: 4 đến 7; 8 đến 10; 11 đến 15 | 43,9%; 13,4%; 18,6% | Ying và cộng sự, WOCCI 2025 |
| WER của OWSM v3.1 đã tinh chỉnh trên giọng nói trẻ em, theo tuổi: 4 đến 7; 8 đến 10; 11 đến 15 | 9,0%; 7,3%; 1,8% | Ying và cộng sự, WOCCI 2025 |
| Tỷ lệ lỗi cân bằng (equal error rate) của xác minh người nói (tỷ lệ quyết định chấp nhận/từ chối sai tại điểm cân bằng), trẻ từ 4 đến 7 tuổi so với 11 đến 15 tuổi | 13,2% so với 3,73% | Ying và cộng sự, WOCCI 2025 |
| Câu nói của trẻ có độ tuổi trung bình 4,9 được phiên âm hoàn toàn đúng: Whisper large-v3 so với Google cloud ASR (2024) | 36,8% so với 9,6% | Janssens và cộng sự, Ghent University, Technological Advances in Human-Robot Interaction 2024 |
Ghi chú về giá trị ngoại lai: mô hình MMS đạt WER 193,3% ở lớp 6 trong bài kiểm tra của Singh và cộng sự, vì nó chèn thêm nhiều từ hơn hẳn số từ được nói ra. WER trên 100% là dấu hiệu của việc chèn từ mất kiểm soát, không phải lỗi đánh máy.
3. Vì Sao Giọng Nói Trẻ Em Làm Hỏng Các Mô Hình Huấn Luyện Bằng Giọng Người Lớn: Âm Học và Mất Lưu Loát
Có hai cơ chế chi phối. Thứ nhất, bản thân giọng nói là một mục tiêu luôn dịch chuyển. Một nghiên cứu trên 436 trẻ em từ 5 đến 17 tuổi và 56 người lớn cho thấy thời lượng các đoạn âm chỉ hội tụ về mức người lớn vào khoảng 12 tuổi, còn độ biến thiên của cao độ giọng và formant (các cộng hưởng giúp nhận ra nguyên âm) cần thêm khoảng 2 đến 3 năm nữa (Lee, Potamianos và Narayanan, JASA 1999). Một mô hình được điều chỉnh theo cộng hưởng của người lớn thực chất đang nghe một nhạc cụ khác. Dữ liệu mới nhất hiện có: Lee, Potamianos và Narayanan, 1999.
Thứ hai, trẻ em nói khác. Những lời giải thích tự phát của các em cho thấy tỷ lệ mất lưu loát và từ đệm cao hơn so với hội thoại người lớn, trong đó có nhiều ‘um’ hơn hẳn và nhiều từ bị bỏ dở giữa chừng hơn (Tran và cộng sự, Analysis of Disfluency in Children’s Speech, Interspeech 2020). Mô hình hóa nhân quả năm 2025 xếp tuổi và số từ trong một câu nói đứng đầu các yếu tố gây lỗi, trước cả tiếng ồn nền và khả năng phát âm. Giọng nói lệch khỏi chuẩn người lớn vì lý do lâm sàng cũng rơi vào cùng cái bẫy ấy, như tổng hợp dữ liệu về giọng nói rối loạn vận ngôn và giọng nói không điển hình của chúng tôi cho thấy.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Người nói trong nghiên cứu âm học phát triển | 436 trẻ em từ 5 đến 17 tuổi; 56 người lớn | Lee, Potamianos và Narayanan, JASA 1999 |
| Độ tuổi thời lượng các đoạn âm đạt mức người lớn | khoảng 12 | Lee, Potamianos và Narayanan, JASA 1999 |
| Thời gian bổ sung để độ biến thiên cao độ giọng và formant trong cùng một người nói đạt khoảng của người lớn | khoảng 2 đến 3 năm | Lee, Potamianos và Narayanan, JASA 1999 |
| Độ tuổi các mẫu cao độ giọng và formant của bé trai và bé gái bắt đầu tách ra; hình thành đầy đủ | khoảng 11; khoảng 15 | Lee, Potamianos và Narayanan, JASA 1999 |
| Tỷ lệ mất lưu loát: trẻ em so với hội thoại người lớn Switchboard so với hội thoại người lớn CallHome | 10,1% so với 6,2% so với 6,3% | Tran và cộng sự, Interspeech 2020 |
| Tỷ lệ từ đệm ‘um’: trẻ em so với người lớn Switchboard | 2,3% so với 0,5% | Tran và cộng sự, Interspeech 2020 |
| Tỷ lệ từ bị bỏ dở (từ bị ngắt giữa chừng): trẻ em so với người lớn Switchboard | 1,8% so với 0,5% | Tran và cộng sự, Interspeech 2020 |
Ghi chú bối cảnh: kho dữ liệu về mất lưu loát này nhỏ (26 trẻ em, khoảng 1,26 giờ giọng nói trẻ em), và bài báo nêu độ tuổi của trẻ là 4,8 đến 7 ở một chỗ và 5 đến 8 ở chỗ khác. Dữ liệu mới nhất hiện có: 2020.
4. Sự Khan Hiếm Dữ Liệu: Số Giờ Giọng Nói Trẻ Em So Với Tập Huấn Luyện Của Các Mô Hình Nền Tảng
Sự chênh lệch về quy mô lên tới nhiều bậc độ lớn. Whisper-largeV3 được huấn luyện trên 1 triệu giờ âm thanh, trong khi một bộ đánh giá chuẩn năm 2024 chỉ có 133 giờ giọng nói trẻ em MyST đã lọc để tinh chỉnh, nên tập dữ liệu trẻ em chỉ bằng khoảng 0,0133% kho tiền huấn luyện đó (133 / 1.000.000) (Fan và cộng sự, Interspeech 2024). Ngay cả mô hình Parakeet gọn hơn cũng đã thấy 64.000 giờ, gấp khoảng 480 lần phần huấn luyện MyST (64.000 / 133).
Bản thân MyST chỉ lớn theo chuẩn của giọng nói trẻ em. Danh mục của Linguistic Data Consortium liệt kê khoảng 470 giờ từ 1.371 học sinh lớp 3 đến lớp 5, thu thập từ năm 2008 đến 2017, với 102.433 trong số 227.567 câu nói được phiên âm (LDC2021S05, MyST Children’s Conversational Speech). Những người tạo ra mô tả kho dữ liệu này khoảng 400 giờ và lưu ý việc thu thập giọng nói trẻ em ở quy mô lớn khó đến mức nào (Pradhan, Cole và Ward, LREC-COLING 2024). Trẻ nhỏ hơn và các ngôn ngữ khác còn ít hơn nhiều: một kho dữ liệu tiếng Quan Thoại năm 2025 cho trẻ từ 3 đến 5 tuổi có 41,25 giờ (Zhou và cộng sự, ChildMandarin 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Dữ liệu tiền huấn luyện: Whisper-largeV3; Canary; Parakeet-TDT | 1.000.000; 85.000; 64.000 giờ | Fan và cộng sự, Interspeech 2024 |
| Kho dữ liệu MyST theo danh mục | khoảng 470 giờ; 1.371 học sinh lớp 3 đến lớp 5; 10.496 buổi gia sư | Linguistic Data Consortium, LDC2021S05 (2021) |
| Câu nói MyST có bản phiên âm | 102.433 trên 227.567 (khoảng 45%) | Linguistic Data Consortium, LDC2021S05 (2021) |
| Kho dữ liệu ChildMandarin, trẻ từ 3 đến 5 tuổi | 41,25 giờ; 397 người nói | Zhou và cộng sự, ChildMandarin 2025 |
| Kho dữ liệu trẻ em tiếng Anh Anh PF-STAR, theo danh sách trong một khảo sát kho dữ liệu năm 2025 | 14,5 giờ; 158 người nói từ 4 đến 14 tuổi | Zhou và cộng sự, ChildMandarin 2025 |
| CMU Kids; giọng đọc theo kịch bản OGI Kids | 9 giờ, 76 người nói; 70 giờ, 1.118 người nói | Ying và cộng sự, WOCCI 2025 |
| Dữ liệu huấn luyện của trẻ em so với người lớn trong một nghiên cứu học chuyển giao năm 2018 | 91,61 giờ (6 đến 14 tuổi) so với 205,82 giờ (người lớn TED-LIUM) | Shivakumar và Georgiou, arXiv 2018 |
Ghi chú bối cảnh: số giờ của MyST khác nhau theo nguồn (khoảng 470 trong danh mục LDC, 393 hoặc khoảng 400 trong bài báo về kho dữ liệu, khoảng 240 giờ đã phiên âm trong bộ đánh giá chuẩn năm 2024). Chúng tôi báo cáo từng con số cùng nguồn riêng của nó.
5. Mức Cải Thiện Nhờ Tinh Chỉnh và Thích Ứng
Tinh chỉnh nghĩa là tiếp tục huấn luyện một mô hình trên các bản ghi âm trẻ em. Đây là cách khắc phục đáng tin cậy nhất, và mức cải thiện lớn nhất ở nơi mô hình zero-shot kém nhất. Whisper Large-V2 giảm từ WER 73,68% xuống 2,88% trên trẻ em Anh PF-STAR sau khi tinh chỉnh chỉ với 10 giờ giọng nói PF-STAR (Jain và cộng sự, Interspeech 2023). Trên giọng nói hội thoại MyST, Whisper-small giảm từ 13,4% xuống 9,3%, tức giảm tương đối 30,6% ((13,4 - 9,3) / 13,4), và một mô-đun adapter nhỏ cập nhật 1,29 triệu tham số đã sánh ngang việc tinh chỉnh toàn bộ 242 triệu tham số.
Các kỹ thuật mới hơn theo đuổi vài điểm cuối cùng. Chỉ gộp các trọng số chú ý của những mô hình liên quan đã lập kỷ lục MyST với WER 8,69% cho Whisper-small (Balaji Shankar và cộng sự, Selective Attention Merging, ICASSP 2025), và một mô hình sửa văn bản được huấn luyện trên 200K cặp đầu ra ASR và bản phiên âm của con người đã giảm lỗi trên bốn kho dữ liệu trẻ em. Cách làm sạch một tập kiểm tra cũng quan trọng không kém phương pháp: loại các tệp có WER trên 50% hoặc dưới 3 từ đã đưa WER kiểm tra của Whisper-Large-v1 trên MyST từ 26,2% xuống 14,2%, mà không thay đổi gì ở mô hình (Attia và cộng sự, Kid-Whisper, AIES 2024).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper Large-V2 trên PF-STAR: trước so với sau khi tinh chỉnh trên 10 giờ giọng nói trẻ em | 73,68% so với 2,88% | Jain và cộng sự, Interspeech 2023 |
| WER của Whisper-small, zero-shot so với đã tinh chỉnh: bài kiểm tra MyST; bài kiểm tra OGI Kids | 13,4% so với 9,3%; 25,4% so với 1,8% | Fan và cộng sự, Interspeech 2024 |
| Số tham số được huấn luyện, tinh chỉnh bằng adapter so với tinh chỉnh toàn bộ (cả hai đều WER 9,3% trên MyST) | 1,29 triệu so với 242 triệu | Fan và cộng sự, Interspeech 2024 |
| WER của Whisper Medium.en trên giọng nói tự phát CSLU Kids: zero-shot so với đã tinh chỉnh trên MyST cộng CSLU | 31,85% so với 16,53% | Attia và cộng sự, Kid-Whisper, AIES 2024 |
| Whisper-small với gộp Selective Attention cộng tăng cường dữ liệu, WER MyST | 8,69% (giảm tương đối tới 14%) | Balaji Shankar và cộng sự, ICASSP 2025 |
| Sửa lỗi bằng mô hình sinh, WER trên bốn kho dữ liệu trẻ em: trước so với sau | 30,5% so với 21,8% (28,5% tương đối) | Balaji Shankar và cộng sự, CHSER, Interspeech 2025 |
| Tinh chỉnh hỗn hợp trẻ em và người lớn so với mô hình đã tiền huấn luyện | WER thấp hơn tới 5% tuyệt đối (21% tương đối) | Graave và cộng sự, Interspeech 2024 |
| Tỷ lệ lỗi ký tự của Whisper-small trên giọng nói tiếng Quan Thoại của trẻ từ 3 đến 5 tuổi: zero-shot so với đã tinh chỉnh | 37,99% so với 17,45% | Zhou và cộng sự, ChildMandarin 2025 |
Ghi chú về giá trị ngoại lai: mức cải thiện không chuyển giao trơn tru giữa các giọng vùng miền, độ tuổi và phong cách nói. Trong cùng nghiên cứu năm 2023, Whisper Medium đạt 19,76% trên trẻ em PF-STAR sau khi tinh chỉnh trên giọng nói MyST của Mỹ, so với 3,15% sau khi tinh chỉnh trên chính PF-STAR.
6. Đánh Giá Kỹ Năng Đọc Trong Lớp Học: Nơi Tỷ Lệ Lỗi Gặp Quyết Định
Trong giáo dục, WER không phải là chỉ số cuối cùng. Một gia sư dạy đọc phải quyết định xem trẻ có đọc đúng từng từ hay không, nên một bản phiên âm có thể đạt WER khả quan mà vẫn bỏ sót những lỗi giáo viên cần thấy. Trong các bài kiểm tra đọc thành tiếng bằng tiếng Hà Lan với 71 trẻ từ 7 đến 11 tuổi, Whisper large-v2 chưa tinh chỉnh đạt hệ số tương quan Matthews (MCC, điểm đồng thuận trong đó 0 nghĩa là ngẫu nhiên và 1 nghĩa là hoàn hảo) là .01 khi phát hiện lỗi đọc, so với .63 của một hệ thống Kaldi được điều chỉnh riêng (Molenaar và cộng sự, Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023). Dữ liệu mới nhất hiện có: 2023.
Một nghiên cứu năm 2026 tại Mỹ về một hệ thống xác minh giọng nói thương mại cũng tìm thấy cùng quy luật theo từng nhiệm vụ (Petscher và cộng sự, Frontiers in Education 2026). Mức đồng thuận với người chấm, đo bằng kappa của Cohen (mức đồng thuận vượt trên ngẫu nhiên, từ 0 đến 1), cao nhất ở vốn từ diễn đạt và thấp nhất ở ghép âm vị, nhiệm vụ phức tạp nhất về mặt âm vị học trong ba nhiệm vụ. Mức phù hợp cũng khác nhau giữa các nhóm học sinh ở nhiệm vụ đọc từ, một phát hiện quan trọng với bất kỳ học khu nào dùng sàng lọc tự động để quyết định những trẻ nào cần hỗ trợ về ngữ âm.
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Trẻ em trong nghiên cứu đọc thành tiếng bằng tiếng Hà Lan; khoảng tuổi | 71; 7 đến 11 | Molenaar và cộng sự, Interspeech 2023 |
| Mức đồng thuận với đánh giá lỗi đọc của con người (MCC): hệ thống Kaldi-PM so với Whisper large-v2 | .63 so với .01 | Molenaar và cộng sự, Interspeech 2023 |
| WER trên bài đọc của trẻ so với bản phiên âm thủ công: hệ thống Kaldi-PM so với Whisper large-v2 | 5,2% so với 13,4% | Molenaar và cộng sự, Interspeech 2023 |
| Trẻ mẫu giáo trong nghiên cứu xác minh giọng nói tại Mỹ | 429 từ 20 trường ở ba tiểu bang | Petscher và cộng sự, Frontiers in Education 2026 |
| Kappa giữa hệ thống và người chấm tại ngưỡng 50: ghép âm vị; vốn từ diễn đạt; đọc từ | 0,16; 0,72; 0,51 | Petscher và cộng sự, Frontiers in Education 2026 |
| Tỷ lệ phản hồi được phân loại giống người chấm tại ngưỡng 50, cùng ba nhiệm vụ | 0,52; 0,87; 0,80 | Petscher và cộng sự, Frontiers in Education 2026 |
| Kappa đọc từ tại ngưỡng 80: học sinh da đen so với da trắng | 0,25 so với 0,47 | Petscher và cộng sự, Frontiers in Education 2026 |
Ghi chú bối cảnh: Kaldi-PM không phải là lối tắt có thể triển khai, vì danh sách từ vựng của nó kết hợp các gợi ý đọc với những từ lấy từ bản phiên âm thủ công của dữ liệu kiểm tra. Hãy xem nó như thước đo khả năng của một hệ thống bị ràng buộc chặt, và đọc con số 5,2% trong bối cảnh thiết lập đó.
7. Các Quy Tắc Quyền Riêng Tư Hạn Chế Việc Thu Thập Giọng Nói Trẻ Em
Khoảng trống dữ liệu ở mục 4 một phần là kết quả của chính sách. Quy tắc COPPA sửa đổi, công bố ngày 22 tháng 4 năm 2025, đã thêm các định danh sinh trắc học vào định nghĩa thông tin cá nhân của trẻ em và nêu rõ dấu vân giọng nói (FTC, COPPA Final Rule Amendments 2025). Ngoại lệ về sự đồng ý của cha mẹ đối với âm thanh áp dụng cho một tệp chứa giọng nói của trẻ và không có thông tin cá nhân nào khác, chỉ được dùng để đáp ứng yêu cầu của trẻ và bị xóa ngay sau đó, nên theo ngoại lệ này không còn chỗ để giữ tệp làm dữ liệu huấn luyện.
Việc thực thi củng cố văn bản quy định. Năm 2023, FTC và Bộ Tư pháp đã cáo buộc Amazon lưu giữ vô thời hạn các bản ghi Alexa của trẻ em; lệnh đề xuất kèm khoản phạt dân sự 25 triệu đô la và cấm dùng dữ liệu giọng nói liên quan để xây dựng hoặc cải thiện các sản phẩm dữ liệu (thông cáo báo chí của FTC, 31 tháng 5 năm 2023). Các nhà nghiên cứu đang phản ứng bằng cách chuyển việc nhận dạng sang chạy trên thiết bị: một mô hình Whisper tiny.en đã tinh chỉnh chạy trên Raspberry Pi với WER 15,9% trên MyST, nêu các quy tắc quyền riêng tư làm động lực (Dutta, Chandupatla và Hansen, WOCCI 2025).
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| Độ tuổi được COPPA bao phủ | trẻ em dưới 13 tuổi | Thông cáo báo chí của FTC, 2023 |
| Quy tắc COPPA sửa đổi: phiếu bầu của Ủy ban; số ý kiến công chúng được xem xét | 5-0; gần 300 | Thông cáo báo chí của FTC, 16 tháng 1 năm 2025 |
| Quy tắc sửa đổi: công bố trên Federal Register; thời hạn tuân thủ đầy đủ | 22 tháng 4 năm 2025; một năm kể từ ngày công bố | FTC, COPPA Final Rule Amendments 2025 |
| Định danh sinh trắc học được nêu là thông tin cá nhân | dấu vân giọng nói, cùng với vân tay, mẫu khuôn mặt và kiểu dáng đi | FTC, COPPA Final Rule 2025 |
| Vụ Amazon Alexa: khoản phạt dân sự; trẻ em dùng Alexa qua hồ sơ riêng của mình | 25 triệu đô la; hơn 800.000 | FTC, thông cáo báo chí Amazon Alexa và blog doanh nghiệp, 31 tháng 5 năm 2023 |
| Whisper tiny.en trên thiết bị chạy trên Raspberry Pi: WER MyST; khi lọc dữ liệu; hệ số thời gian thực (thời gian xử lý chia cho độ dài âm thanh) | 15,9%; 11,8%; 0,23 đến 0,41 | Dutta và cộng sự, WOCCI 2025 |
Ghi chú bối cảnh: chính sách thực thi năm 2017 của FTC về bản ghi giọng nói đã đặt ra cùng logic lưu giữ ngắn hạn, chỉ cho phép âm thanh được thu thập để thay thế cho chữ viết và bị xóa nhanh chóng (tuyên bố chính sách của FTC, 2017). Dữ liệu mới nhất hiện có về vụ Amazon: 2023.
Tổng Kết: Tỷ Lệ Lỗi Từ Khi Nhận Dạng Giọng Nói Trẻ Em Qua Các Con Số
| Chỉ số | Giá trị | Nguồn |
|---|---|---|
| WER của Whisper zero-shot trong bài kiểm tra theo kịch bản CSLU Kids: mẫu giáo so với lớp 4 | 84,6% so với 17,5% | Singh và cộng sự, 2025 |
| WER của Whisper Large-V2 khi chưa huấn luyện trên trẻ em: trẻ em MyST so với giọng đọc người lớn | 25,00% so với 5,40% | Jain và cộng sự, Interspeech 2023 |
| WER của Whisper large zero-shot: 4 đến 7 tuổi so với 8 đến 10 tuổi | 43,9% so với 13,4% | Ying và cộng sự, WOCCI 2025 |
| Tỷ lệ lỗi xác minh người nói: 4 đến 7 tuổi so với 11 đến 15 tuổi | 13,2% so với 3,73% | Ying và cộng sự, WOCCI 2025 |
| Trẻ có độ tuổi trung bình 4,9: phiên âm hoàn toàn đúng, Whisper large-v3 so với Google | 36,8% so với 9,6% | Janssens và cộng sự, Technological Advances in Human-Robot Interaction 2024 |
| Hệ thống nhận dạng huấn luyện bằng giọng người lớn: trên trẻ em so với người lớn | kém hơn từ hai đến năm lần | Potamianos và Narayanan, IEEE TSAP 2003 |
| Độ tuổi thời lượng các đoạn âm của trẻ đạt mức người lớn | khoảng 12 | Lee, Potamianos và Narayanan, JASA 1999 |
| Tỷ lệ mất lưu loát: trẻ em so với người lớn Switchboard | 10,1% so với 6,2% | Tran và cộng sự, Interspeech 2020 |
| Dữ liệu tiền huấn luyện, Whisper-largeV3 so với tập huấn luyện trẻ em MyST đã lọc | 1.000.000 so với 133 giờ | Fan và cộng sự, Interspeech 2024 |
| Quy mô kho dữ liệu MyST | khoảng 470 giờ; 1.371 học sinh | Linguistic Data Consortium, LDC2021S05 |
| Kho dữ liệu trẻ em tiếng Quan Thoại, 3 đến 5 tuổi | 41,25 giờ; 397 người nói | Zhou và cộng sự, ChildMandarin 2025 |
| Whisper Large-V2 trên PF-STAR: trước so với sau 10 giờ tinh chỉnh | 73,68% so với 2,88% | Jain và cộng sự, Interspeech 2023 |
| WER Whisper-small tốt nhất được báo cáo trên MyST (gộp chú ý cộng tăng cường) | 8,69% | Balaji Shankar và cộng sự, ICASSP 2025 |
| Sửa lỗi bằng mô hình sinh trên bốn kho dữ liệu trẻ em | WER từ 30,5% xuống 21,8% | Balaji Shankar và cộng sự, CHSER, Interspeech 2025 |
| Mức đồng thuận phát hiện lỗi đọc (MCC): hệ thống Kaldi-PM so với Whisper large-v2 | .63 so với .01 | Molenaar và cộng sự, Interspeech 2023 |
| Kappa sàng lọc mẫu giáo: ghép âm vị so với vốn từ diễn đạt | 0,16 so với 0,72 | Petscher và cộng sự, Frontiers in Education 2026 |
| Vụ dữ liệu giọng nói trẻ em của Amazon Alexa, khoản phạt dân sự | 25 triệu đô la | FTC, 2023 |
Phương pháp luận và Nguồn
Chúng tôi đã thực hiện 21 lượt tìm kiếm web và đọc bài báo gốc, mục danh mục, bài báo khoa học hoặc văn bản quy định đứng sau mọi con số ở trên. Các giá trị WER được báo cáo đúng như từng bài báo in ra; tập kiểm tra, chuẩn hóa văn bản và cách lọc khác nhau giữa các nghiên cứu, vì vậy hãy so sánh các con số trong cùng một hàng hoặc một nghiên cứu duy nhất thay vì giữa các nghiên cứu. Các con số cũ hơn ba năm được đánh dấu trong từng mục là dữ liệu mới nhất hiện có.
- Singh, Sahidullah và Kinnunen, Causal Analysis of ASR Errors for Children, arXiv 2025 (đã nộp cho Computer Speech and Language)
- Jain, Barcovschi, Yiwere, Corcoran và Cucu, Adaptation of Whisper models to child speech recognition, Interspeech 2023
- Fan, Balaji Shankar và Alwan, Benchmarking Children’s ASR with Supervised and Self-supervised Speech Foundation Models, Interspeech 2024
- Ying và cộng sự, Benchmarking Training Paradigms, Dataset Composition, and Model Scaling for Child ASR in ESPnet, WOCCI 2025
- Attia và cộng sự, Kid-Whisper: Towards Bridging the Performance Gap in Automatic Speech Recognition for Children vs Adults, AAAI/ACM AIES 2024
- Janssens và cộng sự, Child Speech Recognition in Human-Robot Interaction: Problem Solved?, 2024
- Potamianos và Narayanan, Robust Recognition of Children’s Speech, IEEE Transactions on Speech and Audio Processing 2003
- Lee, Potamianos và Narayanan, Acoustics of children’s speech: developmental changes of temporal and spectral parameters, JASA 1999
- Tran và cộng sự, Analysis of Disfluency in Children’s Speech, Interspeech 2020
- Linguistic Data Consortium, MyST Children’s Conversational Speech, LDC2021S05
- Pradhan, Cole và Ward, My Science Tutor (MyST): A Large Corpus of Children’s Conversational Speech, LREC-COLING 2024
- Zhou và cộng sự, ChildMandarin: A Comprehensive Mandarin Speech Dataset for Young Children Aged 3-5, arXiv 2025
- Shivakumar và Georgiou, Transfer Learning from Adult to Children for Speech Recognition, arXiv 2018
- Balaji Shankar và cộng sự, Selective Attention Merging for low resource tasks: A case study of Child ASR, ICASSP 2025
- Balaji Shankar và cộng sự, CHSER: A Dataset and Case Study on Generative Speech Error Correction for Child ASR, Interspeech 2025
- Graave và cộng sự, Mixed Children/Adult/Childrenized Fine-Tuning for Children’s ASR, Interspeech 2024
- Molenaar và cộng sự, Automatic Assessment of Oral Reading Accuracy for Reading Diagnostics, Interspeech 2023
- Petscher và cộng sự, Evaluation of the Consistency of a Speech Verification System with Human Raters in Early Literacy Screening Assessments, Frontiers in Education 2026
- Dutta, Chandupatla và 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 tháng 1 năm 2025 và 16 CFR Part 312: COPPA Final Rule Amendments
- FTC và DOJ, thông cáo báo chí về Amazon Alexa, 31 tháng 5 năm 2023 và blog doanh nghiệp của FTC về vụ Alexa
- Lưu ý về dữ liệu: (1) kết quả Whisper zero-shot trên MyST dao động từ khoảng 12,5% đến 25% tùy theo tập kiểm tra có được lọc hay không, nên các bộ đánh giá chuẩn năm 2023 và 2024 không thể so sánh trực tiếp. (2) Quy mô MyST được báo cáo là khoảng 470 giờ (LDC), 393 hoặc khoảng 400 giờ (bài báo về kho dữ liệu) và khoảng 240 giờ đã phiên âm (bộ đánh giá chuẩn năm 2024). (3) Kết quả theo khối lớp của Singh và cộng sự là bản tiền ấn phẩm, và bài báo mô tả MyST là lớp 3 đến lớp 5 ở một chỗ và lớp 5 đến lớp 8 ở chỗ khác. (4) Bộ đánh giá chuẩn ESPnet quy WER trung bình tốt nhất cho Whisper-small ở một mục và Whisper medium ở mục khác. (5) Mức giảm 13,3% trong phần tóm tắt CHSER cho các hệ thống đã được tinh chỉnh chỉ áp dụng cho Whisper Tiny; nội dung bài nêu khoảng từ 9% đến 13,3%. (6) Bài báo của Molenaar và cộng sự in MCC của Kaldi-PM là .62 trong phần văn bản kết quả và .63 ở nơi khác (chúng tôi dùng .63), và bảng của họ cho thấy Kaldi-MO, có từ vựng chỉ lấy từ bản phiên âm kiểm tra, ở mức .65. (7) Nghiên cứu của Frontiers đánh giá một hệ thống thương mại duy nhất, nên các con số đồng thuận của nó không nên được khái quát cho mọi công cụ dạy đọc. (8) Một số con số nền tảng (1999, 2003, 2020, 2023) được đánh dấu là dữ liệu mới nhất hiện có; các bài báo ICASSP 2027 được kỳ vọng sẽ cập nhật các con số đánh giá chuẩn.
Cập nhật lần cuối: ngày 31 tháng 10 năm 2026. Chúng tôi cập nhật bài tổng hợp này hàng quý, và lần làm mới tiếp theo dự kiến diễn ra khi kỷ yếu ICASSP 2027 được công bố.