本文研究了 YouTube 上针对幼儿的视频内容存在的问题及其对早期儿童发展的风险，构建了一个分类器以准确识别 YouTube 上针对幼儿的不适宜内容，并揭示了该平台所存在的一些风险。

Jan, 2019

本研究比较了 2 组手动转录和 5 组自动转录（Google Cloud，IBM Watson，Microsoft Azure，Trint 和 YouTube）的表现，并指出了与不可理解的语音相关的非语言行为。我们发现，手动转录仍优于当前的自动转录。在自动转录服务中，YouTube 提供了最准确的转录服务

Apr, 2019

评估了 OpenAI 的 Whisper 语音转文字服务，发现大约 1% 的音频转录中包含了并不存在于音频中的幻觉短语或句子，其中 38% 的幻觉内容包括暴力、虚构的个人信息或虚假的基于视频的权威，并提供了关于幻觉发生原因的假设，揭示了由语音类型和健康状况引起的潜在差异。呼吁业界从业者改善 Whisper 中基于语言模型的幻觉问题，并提高对语音转文字模型在下游应用中潜在偏见的意识。

Feb, 2024

研究评估了两个最先进的自动语音识别系统 Wav2Vec2.0 和 Whisper AI 的性能，以开发一个可以支持儿童学习外语的语音机器人，并探究使用 ASR 技术提供对孩子的发音和流利度的洞察力的效用

Jun, 2023

本研究介绍了一款工具，可以自动检测儿童视频是否存在恶意内容，包括可定制注释工具、数据集和基准测试套件。

May, 2023

自动语音识别在成人英语语音方面显示出超人的表现，但在儿童语音方面表现不佳。最新的数据驱动语音识别技术包括 Transformer 架构和前所未有的训练数据量，可能会为儿童语音识别和面向儿童的社交机器人应用带来突破。我们重新审视了 2017 年的一项关于儿童语音识别的研究，并表明性能确实有所提高，新晋的 OpenAI Whisper 相比领先的商业云服务表现明显更好。尽管转录还不完美，但最佳模型可以正确识别 60.3% 的句子，除了一些小的语法差异，使用本地 GPU 运行的亚秒级转录时间显示出可用于自主儿童 - 机器人语音交互的潜力。

Apr, 2024

本研究描述了一个庞大的语音数据集的构建过程，并利用该数据集评估了印度不同演讲者的性别、籍贯、年龄和语速对 YouTube 自动字幕和 OpenAI Whisper 模型性能的影响。结果表明需要更具包容性和鲁棒性的 ASR 系统以及更具代表性的数据集进行差异性评估。

Jul, 2023

幼儿在嘈杂的幼儿园教室中度过相当一部分清醒时间。本研究提出了一种使用开源软件的自动框架，通过儿童和教师佩戴的录音设备来分类说话者并进行转录，结果显示进行自动化的识别和转录教师和儿童言语的准确性较高，并对课堂言语进行分析可能有助于儿童语言发展。未来计划使用自然语言处理改进说话者分类，并分析应用自动化框架到大型数据集中的结果。

Jan, 2024

针对面向儿童的视频内容创作数量的增加，需要强大的视频托管平台内容审核方案。我们提出了一种有效的 CLIP 适应方法，利用上下文音频提示来增强内容审核，通过冻结各个模态的背景模块，将音频模态和提示学习融合，对多模态版本的恶意或良性数据集进行了实验。

May, 2024

使用视频作为电子学习的工具时，自动生成的转录文本对于提升学习体验至关重要。本文通过 25 个教育视频量化了由 Whisper 生成的转录文本，并且针对利用自动语音识别技术进行教育视频转录的研究提出了一些开放性问题。

Jul, 2023