儿童与老人的语音识别率显著更低
别名: 儿童老人 WER · 年龄分层识别 · child and older-adult ASR
概念解释
教室里小学生用同一套命令唤醒教学助手，词错误率会明显高于带课的成人；网约车里七十多岁的乘客报目的地，同样的识别器也会更频繁地换成错的路名。按年龄分层的词错误率（age-stratified word error rate）不是边角：儿童和老年人的识别率显著低于产品用来汇报的那条总体曲线。差异写在声学分布上，不是写在「他们不会用」。成人常态上调好的模型，对两端人群是另一套输入。
机制
主流 ASR 的训练质量和解码假设围着青壮年模态语音转：基频、共振峰位置、声门激励都按这条分布校准。儿童的基频更高、声道更短，共振峰整体上移，同一音素落在成人模型的低频区以外。老年说话人常见的是声带振动不稳、能量下降、辅音闭合偏软，频谱另一侧偏离。解码器仍在成人声学空间里找最近的词，距离变大，替换和删除一起涨。这是分布外输入，不是同一分布上的随机噪声。课堂和车内的远场、噪声会把两端再推远一截，但分层在安静近讲里已经存在，所以不能把差异全算给环境。
怎么研究
用同一命令集做年龄分层 WER：儿童、青壮年、老年人三组，报告每组的词错误率、句错误率和 N，不要只报合并后的一个数。材料控制词汇（同一批路名、同一批课堂指令），避免把内容难度和年龄缠在一起。自变量包括年龄段、是否远场、是否有成人旁侧示范。课堂现场和车内目的地是生态条件；实验室朗读表能把声学差从任务差里拆出来。不要用「小朋友觉得挺好玩」代替 WER——好玩和听对不是同一个因变量。
边界
经过儿童语音数据专门适配、或老年用户长期用同一套近讲设备的系统，分层可以收窄，不能假定为零。耳语、喉部手术、非模态性别的声音同样会偏离训练中心，年龄不是唯一的分层轴。把差异写成「老人反应慢、小孩口齿不清」，会把声学分布问题道德化，也会把本该测的 WER 换成对用户的评价。手持近讲、强噪声下成人自己的 WER 也会垮，分层的相对位置可能变化，需要按场景重测而不是沿用教室里的差值。
怎么落地
- 凡是儿童或老年人会作为主用户的技能（课堂助手、车载导航、酒店客房控制），验收报告必须分列出这两组的 WER，禁止只交一条总体识别率。
- 命令词表优先选对两端声学更稳的词（避免靠细微元音对立的路名），并提供不发声的备选输入。
- 验证：把产品演示用的那二十句命令分别交给一个小学班级和一个老年乘客组。若两组句错误率仍显著高于内部成人测试组，这条「识别已可用」的结论对两端不成立，要改模型或改通道，而不是改提示语气。