儿童语音转录：ASR性能与获取可靠正字稿
计算与语言
2026-05-29 v1 人工智能
摘要
自动语音识别（ASR）有望通过生成自动转录显著减少儿童语音研究中的手动标注工作。然而，在低资源语言中，由于缺乏儿童专用的预训练模型和高度多样的噪声条件，获取儿童语音的高质量ASR转录仍具有挑战性。本研究通过两个研究问题探讨了最先进ASR模型在儿童语音上的有效性，通过在两个荷兰儿童语音数据集（JASMIN和DART）上评估九个来自三个模型家族（Whisper、Parakeet和Wav2Vec2）的ASR模型。研究问题1检验了应用于儿童语音的ASR模型性能。微调的Whisper-medium模型实现了最佳整体性能，在JASMIN上WER为5.54%，在DART上为70.37%，表明噪声较大的DART数据显然更具挑战性。研究问题2检验了在无需手动验证的情况下，能否获得可靠的正字稿。我们使用 utterance级别的选择方法，将ASR输出与原始读作提示进行比较，以识别正确发音的录音。通过提出的选择方法，JASMIN可自动识别42.0%的utterance，DART为18.1%，结果在utterance级别上精度达到98.3%以上，大幅减少了对手动验证的需求。
引用
@article{arxiv.2605.28833,
title = {Transcribing Children's Speech: ASR Performance and Obtaining Reliable Orthographic Transcriptions},
author = {Gus Lathouwers and Lingyun Gao and Catia Cucchiarini and Helmer Strik},
journal= {arXiv preprint arXiv:2605.28833},
year = {2026}
}