信息速览
INFOBOX — Speech Accessibility Project Dataset 一屏速览
维度 内容 本质 面向构音障碍（dysarthria）人群的大规模语音识别数据集：学界主导、持续采集、按版本滚动发布 机构 UIUC Beckman Institute for Advanced Science and Technology；PI Mark Hasegawa-Johnson 五群体 帕金森病（PD）/肌萎缩侧索硬化（ALS）/脑瘫（CP）/唐氏综合征（DS）/卒中（stroke） 规模 官网当前口径约 1,500 小时 / 约 999 人；招募目标 2,000 人×600 样本=1,200,000 样本 构成 train/dev：PD 346 + ALS 196 + CP 195 + DS 165 + stroke 97 = 999（与官网精确吻合） 标注 人工逐句转写；归一化文本含/不含不流畅（disfluency）双版本 版本链 2023-10-05 首发（211 PD+42 test）→ SAP-240430（415h/524 spk）→ SAP-1008 → 当前 获取 DUA 双签名+一页 proposal 邮件申请，审批约 2-4 周；无公开直链、无 HF 镜像 SAPC1 Interspeech 2025 Challenge：基线 whisper-large-v2 WER 17.82% → 冠军 8.11%（相对改进 54.49%） SAPC2 NeurIPS 2026 Competition Track：双赛道（常规+流式），CER 主指标，奖金 $10,000 基准划分 speaker-disjoint 70:10:20；Train 290.35h/Dev 43.56h/Test1 42.16h/Test2 38.77h 主论文 JSLHR 67(11):4162-4175, 2024-11-07, doi:10.1044/2024_JSLHR-24-00122（25 作者） 库内互链 TORGO（rid 466）、UA-Speech（rid 473）、PC-GITA（rid 459）、UCI 帕金森语音（rid 444）、MDVR-KCL（rid 480）
Speech Accessibility Project Dataset 是一个「把无障碍语音识别从演示品变成工程品」的数据集计划：它由伊利诺伊大学香槟分校（UIUC）贝克曼研究所（Beckman Institute）主导，面向帕金森病、肌萎缩侧索硬化（ALS）、脑瘫、唐氏综合征与卒中后构音障碍五大群体持续采集朗读语音，目标 2,000 名说话人、120 万条样本。在它之前，构音障碍语音识别（dysarthric speech recognition）长期困在「几百小时、单一病种、孤立词」的小数据时代——商用语音模型对典型语音的词错误率（WER）约 3-5%，对重度构音障碍语音却可以飙到 36% 以上。这个数据集用五年时间把可用的构音障碍英语语料推到约 1,500 小时，并连办两届挑战赛，把该任务的最佳成绩从 WER 18% 压到 8%。
导语读法三则：
- 只想拿数据：直奔 §7 获取与许可——DUA 申请制、无公开直链，先把邮件与 proposal 备好，别在 HuggingFace 上白找。
- 只想跑基准：直奔 §5 与 §6——第一届（Interspeech 2025）的划分与基线、第二届（NeurIPS 2026）的双赛道与 CER 口径，两届指标不同别混用。
- 关心数据工程：直奔 §3 采集与标注流水线——每人标注量的计划/执行双口径、转写双版本设计，是医疗语音数据治理的活教材。
§0 导读：这个数据集解决什么问题
语音识别在今天几乎被默认为「已解决的问题」——但对数千万构音障碍者而言，这个默认并不成立。构音障碍（dysarthria）是帕金森病、ALS、脑瘫、唐氏综合征、卒中等神经系统疾病的共同症状：发音器官的肌肉控制受损，语音含糊、变调、语速异常。2023 年 UIUC 团队在 JSLHR 主论文里给出的基线数字是：同一套 whisper-large-v2 模型，典型语音 WER 3.4%，构音障碍语音 36.3%——差出一个数量级。这背后的直接原因是数据：公开可用的构音障碍语料（TORGO、UA-Speech 等）都在十小时量级徘徊，且以孤立词为主，撑不起现代端到端模型的训练。
Speech Accessibility Project（SAP）的回答是工业级的采集规模+学术级的分发纪律。规模上，它设立 2,000 人×600 样本=1,200,000 样本的招募目标，分两阶段推进：Phase 1（2023-04 至 2023-11）先做帕金森病单一群体，2023-11 起 Phase 2 逐步开放 ALS、脑瘫、唐氏综合征与卒中四个群体。到 2026 年官网口径已达约 1,500 小时、约 999 人——即便按半程计，也已是 TORGO 的两个数量级。分发上，它没有走「公开直链」路线，而是用数据使用协议（Data Use Agreement，DUA）+一页 proposal 的申请制：机构与个人双签名、承诺用途与再分发限制、审批约 2-4 周。这个选择换来了医疗语音数据合规的确定性，代价是可获取性（§7 详述其对 AI-Ready 评分的影响）。
第三个回答是基准化。数据集的价值需要挑战赛来兑现：2024-2025 年的第一届 Speech Accessibility Project Challenge（SAPC1，Interspeech 2025）用 414.84 小时、524 名说话人的 speaker-disjoint 切分立起基线（whisper-large-v2 WER 17.82%），冠军队把 WER 压到 8.11%；2026 年的第二届（SAPC2）入选 NeurIPS 2026 Competition Track，新增流式（streaming）赛道，主指标改为字符错误率（CER），并引入时延-精度 Pareto 前沿评估。两届挑战赛构成本数据集的「活文档」：赛道定义、评估脚本、Docker 运行时全部公开，任何后来者的评测协议都可以直接对齐。
§0 读法三则：
- 本条目是「数据集+临床试验级招募工程+双届挑战赛基准」三合一：本体是 DUA 分发的音频+转写语料，衍生品是 SAPC1/SAPC2 两套基准协议，副产品是一套可复用的罕见病语音采集方法论（Best Practices 论文单独成文）。
- 全文硬数字以官网、JSLHR 主论文、SAPC 官方页面三方互证为准；凡两源口径不一者（规模、标注量、test 构成）一律进坑点清单（§9）存照。
- 检索时注意：Speech Accessibility Project（计划名）与 Speech Accessibility Project Dataset（数据集名）在文献中常混用——本条目统一指数据集本体，计划层面的招募与资助信息只在 §8 作生态背景。
§1 数据集速览：十问十答
Q1：Speech Accessibility Project 是什么？
UIUC 贝克曼研究所 2022 年启动的语音数据采集计划，专为构音障碍语音识别（ASR for dysarthria）生产训练语料。它对标工业界的 Google Project Euphonia，但选择学术分发路线：数据经 DUA 申请制向全球研究者开放，采集协议、招募方法论与评估基准全部论文化公开。
Q2：覆盖哪五个群体，各占多少？
帕金森病（PD）、肌萎缩侧索硬化（ALS）、脑瘫（CP）、唐氏综合征（DS）、卒中（stroke）五类构音障碍来源。SAPC2 官方口径的 train/dev 集构成：PD 346、ALS 196、CP 195、DS 165、stroke 97，合计 999 人——与官网「about 999 participants」逐病种吻合。另有 sequestered test 集四病种已知构成：ALS 66、CP 58、DS 32、stroke 24（PD 人数官网排版缺损，见坑 4）。
Q3：现在有多大？会继续长吗？
官网当前口径约 1,500 小时、约 999 人；招募目标 2,000 人×600 样本。版本链：2023-10-05 首发 Data Package（211 名 PD 说话人+42 名 test 说话人）→ SAP-240430（415 小时/524 人，第一届挑战赛用）→ SAP-1008（2024-10-08）→ 当前滚动更新。它是「活数据集」——会随招募持续增长，引用时务必注明版本与时点。
Q4：说话人录什么内容？
以朗读句为主（每人目标 600 条样本），配套部分自发语音任务。注意「600 样本」是采集目标；实际入库的每人标注量有双口径——论文口径每人 30 份、FAQ 最终口径每人 15 份（坑 3）。这意味着「样本数」与「小时数」都要按版本对号入座，不能拿愿景数当库存数。
Q5：转写标注怎么做的？
人工逐句转写，且每个 utterance 提供双版本归一化文本：norm_text_with_disfluency（保留口吃、重复、填充词等不流畅现象）与 norm_text_without_disfluency（去除不流畅的标准文本）。这对构音障碍语音尤其重要——不流畅本身就是病情信号，研究者可按任务需要选择监督粒度。
Q6：怎么拿到数据？
没有公开下载。流程：下载并签署 DUA（官网提供 PDF 直链）→ 写一页 proposal 说明研究用途 → 邮件提交至 speechaccessibility@beckman.illinois.edu → 审批约 2-4 周 → 获得下载权限。DUA 要求机构与个人双签名，限制再分发。HuggingFace 上没有公开镜像（hf-mirror.com API 搜索为空实查），搜到「SAP 镜像」的第三方仓库都不可信。
Q7：模型在这上面能做多好？
第一届挑战赛（SAPC1）基线 whisper-large-v2 在 Test2 上 WER 17.82%；冠军方案 WER 8.11%、语义分 SemScore 88.44%，相对基线改进 54.49%。22 支队伍参评，12 支 WER 超基线、17 支语义分超基线。官网宣传口径概括为「18%→8%」——两年时间把构音障碍 ASR 的公开最好成绩压低一半以上。
Q8：它和 TORGO、UA-Speech 什么关系？
同一谱系的第三代。TORGO（库内 rid 466）与 UA-Speech（rid 473）是 2008-2017 年代的经典构音障碍语料：十小时级、说话人个位数到两位数、以孤立词为主。SAP 在规模（两个数量级）、病种覆盖（五病种 vs 单病种）、持续更新（滚动版本 vs 一次性发布）三个维度上都是代际升级，且挑战赛评估协议公开可复现。
Q9：SAPC2（第二届挑战赛）有什么新东西？
三点：入选 NeurIPS 2026 Competition Track（2026-08-05 官宣 16 强）；新增 Track 2 流式 ASR 赛道，按时延-精度 Pareto 前沿评估（时延用 TTFT/TTLT 的 P50 毫秒计）；主指标从 WER 改为 CER 并以 WER 为辅助指标。提交走 Codabench 平台，三个官方基线模型（Whisper large-v2、Parakeet TDT 0.6B v2、Canary-Qwen 2.5B）与 Docker 运行时全部公开。奖金 $10,000 平分 Pareto 前沿上的团队。
Q10：它自己有什么局限？
五条：非公开直链（DUA 申请制，可获取性是 AI-Ready 最大失分项）；英语单一（跨语言迁移需另寻资源）；PD 占比最高（34.7%）而 stroke 群体相对少（9.7%）；每人入库标注量比愿景缩水（15 vs 30/人）；部分官网页面数字排版缺损（SAPC2 test 的 PD 人数）与新闻索引 404——文档治理水平不与其数据质量对称。
§2 数据构成与规格
2.1 五群体构成：train/dev 与 sequestered test
SAPC2 官方 challenge 页给出的逐病种构成（train/dev 集）：
| 病因群体 | 英文全称 | train/dev 说话人 | 占比 | sequestered test 说话人 |
|---|---|---|---|---|
| 帕金森病 | Parkinson’s disease（PD） | 346 | 34.7% | 官网排版缺损（坑 4），不作断言 |
| 肌萎缩侧索硬化 | Amyotrophic Lateral Sclerosis（ALS） | 196 | 19.6% | 66 |
| 脑瘫 | Cerebral Palsy（CP） | 195 | 19.5% | 58 |
| 唐氏综合征 | Down syndrome（DS） | 165 | 16.5% | 32 |
| 卒中 | Stroke | 97 | 9.7% | 24 |
| 合计 | — | 999 | 100% | 180+（不含 PD） |
三处读表提示：
- 999 与官网口径精确吻合：官网称「about 999 participants」，SAPC2 页逐病种相加恰为 999——这是少见的官网-挑战赛数据逐位对齐，可放心引用。
- PD 偏高是采集顺序的化石：Phase 1（2023-04 至 2023-11）只招 PD，先发优势使 PD 在任何时点快照里都占比最高；Phase 2 病种 2023-11 后陆续开放，占比会随时间再平衡。
- sequestered test 与 train/dev 病种构成不成比例：test 集 ALS 占比（66/246 已知部分）明显高于 train/dev——评测集刻意保留了更重的构音障碍谱系，跨病种分数解读时注意这一差异。
2.2 版本链：活数据集的四个锚点
| 版本/时点 | 规模口径 | 来源与用途 |
|---|---|---|
| 2023-10-05 首发 Data Package | 211 名 PD 说话人 + 42 名 test 说话人 | JSLHR 主论文口径；Phase 1 成果首次对外 |
| SAP-240430（2024-04-30） | 415 小时 / 524 名说话人 | 第一届挑战赛（SAPC1）全量；arXiv 摘要「over 400 hours / more than 500 individuals」与之吻合 |
| SAP-1008（2024-10-08） | train 253h/343 人 + dev 41.1h/51 人 | APSIPA 2025 论文口径；SAPC2 train/dev 基础 |
| 当前（官网滚动口径） | 约 1,500 小时 / 约 999 人 | 官网主页实时口径；含 Phase 2 全部五病种 |
版本链的使用规则：任何引用必须锚定版本号。SAP-240430 的 415h/524 人只是挑战赛子集，不是全集——拿它当全集会低估近三倍（坑 6）。四个锚点之间的小版本（官网 news 逐版公告）未逐一入档：官网 /news-events/* 路径已 404（坑 8），中间版本的精确边界以申请时 DUA 附件清单为准。
2.3 采集目标与实际进度
计划的总量目标：2,000 名说话人 × 600 样本 = 1,200,000 样本。这是官网愿景口径，三处折算需分开看：
| 层级 | 数字 | 说明 |
|---|---|---|
| 招募目标 | 2,000 人 | 五病种合计，官网愿景 |
| 单人采集目标 | 600 样本/人 | 朗读句为主的采集协议目标 |
| 单人入库标注 | 30 份/人（论文口径）→ 15 份/人（FAQ 最终口径） | 双口径，坑 3 |
| 当前达成 | 约 999 人 / 约 1,500 小时 | 官网 2026 时点 |
按 15 份/人的最终口径倒推：999 人 × 15 份 ≈ 15,000 条人工标注 utterance 级转写进入核心训练集，其余录音以原始音频形态存在于发布包中。1,500 小时对 999 人的均值约 1.5 小时/人——与「600 句朗读 + 自发任务」的采集量级相容（朗读句均长 8-10 秒时 600 句约 1.3-1.7 小时）。结论：小时数与人数自洽，「样本数」层面的 1,200,000 是含未标注音频的远期愿景，条目正文一律以人数/小时数为硬口径。
2.4 转写规格：双版本归一化设计
发布包的转写 manifest 为 CSV，四列结构（SAPC-template 官方仓库实抓）：
| 列名 | 内容 | 用途 |
|---|---|---|
| id | utterance 唯一标识（说话人+句号编码） | 主键，拼接音频路径 |
| text | 原始人工转写 | 保真层：含标点、大小写、口头语原貌 |
| norm_text_with_disfluency | 归一化文本（保留不流畅） | 训练层：构音障碍语音的真实分布——重复、拖长、填充词俱在 |
| norm_text_without_disfluency | 归一化文本（去除不流畅） | 评测层：把「内容识别对不对」与「流利度是否异常」解耦 |
这个设计对构音障碍研究有双重价值。其一，ASR 训练者可以按目标选择监督信号：做「听懂说什么」用 without 版本，做「全量语音转文字」（含病理性不流畅）用 with 版本。其二，两版本之差本身就是不流畅检测（disfluency detection）的免费监督数据——这在通用语音语料里需要昂贵标注才能获得，在 SAP 里是转写协议的自然副产品。
2.5 隐私与合规设计
三处显性合规边界，申请与使用时都要纳入考量：
- 三州排除条款：华盛顿州（WA）、德克萨斯州（TX）、伊利诺伊州（IL）居民不纳入招募——三州隐私法对录音数据的二次使用施加了与项目分发模式冲突的限制。对使用者的含义：数据在地理上缺这三州，任何「美国人群代表」的表述都要打折。
- DUA 再分发限制：拿到数据的机构不得向未签约方转发数据；合作者新增需通过原机构协议覆盖或单独签约。跨机构合作项目的数据流转要提前规划审批周期。
- 去标识与 sequestered test：音频去标识后发布；sequestered test 集由官方持有、不随常规申请发放（仅挑战赛官方评估使用）——这是防「test 集污染」的第三方托管设计，与 SAPC1 的双 test（Test1 可远程评估/Test2 赛后评估）配合。
2.6 在构音障碍语料谱系中的位置
把公开可用的英语构音障碍语音数据集按「规模×病种×任务形态」排开：
| 数据集 | 时点 | 说话人量级 | 小时量级 | 病种 | 任务形态 |
|---|---|---|---|---|---|
| TORGO（库内 rid 466） | 2008-2012 | 个位数至十人级（含控制组） | 十小时级 | CP+ALS | 连续语音+非词 |
| UA-Speech（rid 473） | 2007-2017 | 十人级 | 约二十小时量级（孤立词为主） | CP | 孤立词+数字串 |
| SAP Dataset（本条目） | 2023- | 999 人（持续增长） | 约 1,500h | PD/ALS/CP/DS/stroke 五病种 | 连续朗读+自发，句级转写 |
SAP 的代际位置清晰：说话人规模上从「十人实验室」跨入「千人队列」，病种上从单病种跨入五病种，任务形态上以连续语音覆盖了前作未触及的 ASR 主战场。代价是放弃公开直链——TORGO/UA-Speech 都是申请即得或直接下载，SAP 是 DUA 审批制。这个取舍是否值得，取决于使用者对合规确定性与获取速度的权衡（§7 展开）。
2.7 数据使用中的三类典型误读
在正式进入流水线与挑战赛之前，先把检索者最容易踩的三类「数字误读」排掉——它们全部源于把不同层级的口径混在一句引用里：
误读一：把 1,200,000 当转写条数。「2,000 人×600 样本=1,200,000」是采集愿景总量，其中包含按 15 份/人执行口径下仅约 15,000 条 utterance 级人工标注（当前 999 人口径）与大量以原始音频形态存在的录音。用「120 万条标注」做训练集规模声明，会把真实监督信号高估两个数量级。
误读二：把 test1 提交分当最终成绩。SAPC1/SAPC2 都是双 test 设计：参赛期可反复提交的 test1 分数（三天出分）与赛后一次性评估的 test2 分数是两个概念。文献引用「某队 SAPC1 成绩 8.11%」时，该数字出自官方终榜的 Test2 口径——把 leaderboard 中间态分数当最终成绩传播，是对参赛者与基准的双重失真。
误读三：把 with/without disfluency 当「脏数据 vs 干净数据」。双版本转写（§2.4）不是「原始-清洗」关系，而是同一句话的两种监督粒度：without 版本没有更「正确」，它只是把「流利度异常」从监督信号里剥离了。构音障碍研究中，被剥离的恰恰可能是最有临床价值的部分。正确姿势是按任务显式选择版本并在论文里声明（附录 Q 检查项 6）。
三误读共享同一个病根：SAP 的数字都有「层级」（愿景/执行、中间/最终、粒度 A/B），而检索引用天然倾向摘最抓眼的那个。本条目的对策是把每个数字钉在版本号与口径来源上（附录 E 速查表），读者引用前请对表。
§3 采集与标注流水线：千人队列怎么造出来
3.1 招募工程：临床试验级的入组管理
SAP 的采集不是志愿者散招，而是临床试验级的入组管理：项目在 ClinicalTrials.gov 注册（NCT05889260），有明确的纳入/排除标准与各病种配额。注册时点登记 485 人——这与当前官网 999 人差距明显（坑 5 的姊妹口径：注册页更新滞后于实际招募，引用登记数会严重低估规模，应以官网为准）。
入组要点：
- 诊断确认在先：五病种各自对应临床诊断标准，参与者经医学评估确认（ALS/PD 等病种与 MDA（Muscular Dystrophy Association）等患者组织合作转介）。
- 三州排除：WA/TX/IL 居民排除（§2.5）——这是数据侧合规对招募侧的直接传导。
- 分级配额：Phase 1 只开 PD（2023-04 至 2023-11），Phase 2 按 ALS → CP/DS → stroke 的节奏逐步开放，每个病种独立配额滚动。
这套流程后来被整理成独立的方法论论文：Zwilling 等，Interspeech 2025（doi:10.21437/Interspeech.2025-2454，12 作者）——把「怎么找到构音障碍者、怎么让他们可持续地录满 600 句、怎么在病种间保持协议一致」写成可复制的操作手册。对想复制同类采集的团队（尤其非英语语言的同类项目，如日本的 Wenispeak、西语的同类计划），这是比数据本身更通用的资产。
3.2 录音协议：朗读为主、自发为辅的双轨内容
每人 600 样本的目标由朗读句为主构成，内容设计上兼顾「覆盖日常词汇」与「覆盖病理语音现象」：
- 朗读句：从标准语料与日常场景句库选取，长度与音素覆盖经过设计——这是 ASR 训练的主粮；
- 自发任务：图片描述、自由问答等任务产出连续自发语音，为模型提供朗读-自发域差异的暴露；
- 病种适配：ALS 重度构音障碍者可能无法完成全部 600 句——采集协议按能力分级，保证重度参与者也有有效产出（这也是 Best Practices 论文的核心议题之一）。
对使用者的含义：SAP 的「小时数」里朗读与自发的比例未逐版本披露（遗留待核），但 utterance 级 manifest 的 id 编码与任务标记可区分两者——复现 SAPC 评估协议时以官方 manifest 为准，不要自行猜测任务边界。
3.3 标注流水线：人工转写的质量控制
转写由受训标注团队完成，产出 §2.4 的四列 manifest。质量控制的关键设计：
- 双版本归一化在标注时一次完成：标注员对同一 utterance 同时产出 with/without disfluency 两版文本——不是先标一版再后处理拆分，因此两版的对应关系在 token 级是可追溯的。
- utterance 级时间对齐：转写以句为单位与音频对齐，支撑挑战赛的 utterance 级评分与流式评估的切分需求。
- 质量抽查与版本回滚：发布以版本为单位（Data Package 版本号），每一版入库前经团队抽检；发现问题的转写在下一版本修订——这也是版本链存在的质量动机。
多人共识细节（标注员人数、双标比例、Kappa 值）未在已核验来源中披露（遗留待核）——这是医疗语音数据集里少见的「转写质量量化指标缺失」，复现者应把转写噪声当作一个未量化但真实存在的误差源。
3.4 发布机制：Data Package 版本号与滚动更新
SAP 的发布节奏是「攒一批、发一版」：
| 环节 | 机制 |
|---|---|
| 版本命名 | 日期式版本号（SAP-240430 = 2024-04-30 快照） |
| 发布渠道 | 官网公告 + 已签约机构邮件通知 |
| 增量内容 | 新说话人 + 已有说话人补录 + 转写修订，按病种分文件组织 |
| 变更日志 | 每版附带清单（官网 news 页逐版公告；索引页 404，坑 8） |
| 申请者待遇 | 新申请者获得最新版；老用户按版本增量获取 |
对工程团队的实际影响：管线必须按版本幂等——不要把任何绝对数字（小时数、说话人数）硬编码进配置，用「版本号→清单文件→解析规模」的间接引用，否则每次版本更新都是一次事故。
3.5 与工业界计划的方法论对照
SAP 与 Google Project Euphonia 是「同一问题、两条路线」的对照实验：
| 维度 | Google Project Euphonia | SAP（本条目） |
|---|---|---|
| 主持方 | 工业界（Google） | 学术界（UIUC Beckman Institute） |
| 数据去向 | 公司内部（不对外） | DUA 申请制全球分发 |
| 采集范围 | 分散式（App/远程） | 临床试验级入组+到站/远程录音 |
| 病种 | 广谱语音障碍 | 五病种定向 |
| 论文化 | 方法偶有披露 | 采集/本体/挑战赛三论文体系 |
| 复现性 | 基线不可复现 | 评估协议+运行时全公开 |
两条路线互补而非竞争：Euphonia 证明了工业规模采集的可行性并推动了 Google 的无障碍产品，SAP 把「数据资产+评估协议」变成了全社区的公共品。学术路线的分发纪律（DUA/版本/挑战赛）也反过来定义了此后同类项目的事实标准——2025 年后出现的多语言构音障碍采集计划（如 YorVoice 引用 SAP 规模口径）基本都沿用这套三件套范式。
3.6 与库内前作数据集的采集治理对照
把治理维度（而非数据规模）单独拉出来对照，能看清 SAP 在「数据集工程」上的代际位置：
| 治理维度 | TORGO（rid 466） | UA-Speech（rid 473） | SAP（本条目） |
|---|---|---|---|
| 招募治理 | 单中心研究招募 | 单中心研究招募 | 临床试验注册（NCT05889260）+患者组织转介 |
| 采集协议 | 到站录制为主 | 到站录制（多麦克风阵列） | 到站/远程+按能力分级采集 |
| 病种范围 | CP+ALS | CP | 五病种分层配额 |
| 发布治理 | 一次性发布 | 一次性发布 | 版本号滚动发布+变更公告 |
| 方法论沉淀 | 单篇数据论文 | 单篇数据论文 | 数据论文+最佳实践论文+挑战赛论文三件套 |
| 分发合同 | 学术获取（约定用途） | 学术获取（约定用途） | DUA 双签名+proposal 审批制 |
对照的三点启示：
- 治理代差大于规模代差：TORGO/UA-Speech 与 SAP 的根本差异不是小时数，而是「一次性发布」与「持续治理」的差别——后者需要临床试验级招募、版本机制与独立的方法论论文支撑，缺一不可持续。
- 前作的治理短板是行业共同教训：孤立发布意味着错误转写无法修订、新说话人无法补充——SAPC-template 管线与版本机制的存在，正是对这个痛点的工程回应。
- 复制门槛在治理不在算法：想复制 SAP 的团队，真正的清单是 §3.1-3.4 的治理流程（注册、配额、分级采集、版本发布），而非任何模型细节——这正是 Best Practices 论文存在的意义。
3.7 两阶段招募节奏：病种扩容的路线与后果
SAP 的病种覆盖不是一次性铺开，而是分两阶段滚动开放——这个节奏本身携带信息：
| 阶段 | 时段 | 开放病种 | 战略意图 |
|---|---|---|---|
| Phase 1 | 2023-04 ~ 2023-11 | 仅 PD | 单病种打通全链路：招募-采集-标注-首发发布 |
| Phase 2 | 2023-11 起 | ALS、CP、DS、stroke 陆续开放 | 把验证过的管线复制到病谱其余段 |
三点解读：
- PD 先行是风险控制：PD 是构音障碍患病率最高的群体、转介网络最成熟——用它做管线验证期，把流程缺陷（采集协议、转写规范、发布格式）暴露在受控范围里。首发 Data Package（211 人）就是 Phase 1 的验收单。
- 扩容顺序与临床紧迫度对齐：ALS 在 Phase 2 先行开放——ALS 构音障碍进展最快、说话人可采集窗口最短，「趁还能录多录」的临床逻辑压过一切；CP/DS 群体生命周期长、窗口不急；stroke 群体基数大但转介链路（急性期后康复体系）最长，开放节奏靠后。
- 节奏在数据构成上留了化石：当前 999 人中 PD 占 34.7%（Phase 1 先发优势），stroke 占 9.7%（开放最晚）——附录 F 的偏斜不是抽样失误，而是滚动扩容的时序快照。预测未来版本：随着 Phase 2 病种持续入组，PD 占比会逐步稀释，引用占比必须带时点。
对同类项目的复制启示：先单病种全链路验证、再横向扩病种的节奏，把「管线缺陷」与「病种特异问题」解耦——出了问题先问流程还是先问病种，一眼可判。这与 §3.6 的治理代差分析互为表里。
§4 数据效力：基线数字的三次刻度
4.1 首发刻度（2023-10-05，211 人）：差距的量化
JSLHR 主论文用首发 Data Package 做的基线实验，是构音障碍 ASR 领域被引用最多的三行数字：
| 条件 | WER | 说明 |
|---|---|---|
| 典型语音（typical speech） | 3.4% | 同模型在常规语音上的水平 |
| 构音障碍语音（dysarthric speech） | 36.3% | zero-shot：商用级模型的失效现场 |
| 构音障碍+fine-tune | 23.7% | 用首发 211 人数据微调后 |
三行数字的读法：
- 差距是数量级的：3.4% vs 36.3%——同一模型、同一评估脚本，仅仅换语音群体，错误率放大十倍。这不是模型不够大，是训练分布里根本没有这种语音。
- fine-tune 的边际：36.3%→23.7%，相对改进约 35%——用两个多月、211 人的数据就实现了，证明「缺数据」而非「不可学」。但 23.7% 距离可用（<10%）还很远，这正是后续采集与挑战赛的空间。
- 基线模型的选择：2023 年时点用 whisper-large-v2 做基线，是有意选当时最强的开源通用 ASR——基线越强，「数据缺口」的论证越无可辩驳。
4.2 千人刻度（SAP-240430，524 人）：挑战赛级重标定
到 SAP-240430（415h/524 人，SAPC1 全量），同一任务的难度基线被重新标定：SAPC1 官方基线 whisper-large-v2 在 Test2 上 WER 17.82%——比首发刻度的 36.3% 低了近一半。两个数字都真实，差在数据量与划分口径：
- 首发刻度是「小样本 fine-tune」实验口径（211 人训练，单一 test）；
- 挑战赛刻度是「大样本 speaker-disjoint」评测口径（369 人训练，sequestered 双 test）。
跨刻度比较时务必先对齐口径（坑 6 的引申）：文献里「SAP WER」可以指 36.3%、23.7%、17.82% 或 8.11% 中的任何一个——引用时必须同时给出版本、划分与模型三要素。
4.3 效力曲线的形态学：数据量到哪了？
把三个刻度连成效力曲线：211 人→23.7%（fine-tune）；524 人→17.82%（zero-shot 基线在 disjoint test）；冠军方案（同数据+自定义架构/增强）→8.11%。曲线给出的工程结论：
- 数据量主导前期：从零到 211 人的 fine-tune 抹掉 1/3 错误；到 524 人时 zero-shot 基线已低于 20%——采集边际收益显著。
- 方法论主导后期：524 人到冠军 8.11% 的跃迁发生在同一数据上（挑战赛规定同一 train/dev），靠的是架构适配、领域增强与多参考转写利用——数据过了某个量级后，方法论接棒。
- 仍未触底：8.11% 对典型语音是「商用可用」水平（whisper 在 LibriSpeech clean 上约 2-3%），对构音障碍已接近「辅助通信可用」的前夜——SAPC2 用 CER 主指标继续逼近。
4.4 效力数字的使用守则
文献与官网里「SAP 成绩」至少有四个合法数字（36.3%/23.7%/17.82%/8.11%），引用前过四条守则：
- 三要素同报：版本号（2023-10-05 首发/SAP-240430/SAP-1008）+划分口径（fine-tune 实验/speaker-disjoint 评测）+模型（whisper-large-v2 及实现）。缺任何一项的引用都可判为不可靠。
- 别跨口径折算：首发刻度（211 人 fine-tune，单一 test）与挑战赛刻度（524 人 disjoint 双 test）之间没有换算公式——「数据翻倍错误率减半」式的线性外推在这两个刻度间不成立。
- 基线不是难度下界：17.82% 是 zero-shot whisper-large-v2 的成绩，不是「这个任务只能做到这么好」——同数据的冠军 8.11% 与 SAPC2 的继续逼近都说明下界远未到。用基线数字论证「构音障碍 ASR 很难」是对的；用它论证「构音障碍 ASR 到头了」是错的。
- 语义维度别丢：SemScore 88.44% 与 WER 8.11% 度量的是不同维度（内容语义 vs 词面精确）——只在 WER 维度排名，会漏掉那 5 支「语义赢了、词面输了」的队伍（§5.2），而他们恰恰可能是 AAC 场景里体验最好的系统。
这四条守则与附录 Q 的检查清单（检查项 3/4）配套使用：写论文时把它当自查表，读论文时把它当审稿过滤器。
4.5 三条工程启示：从效力曲线到训练策略
把 §4.1-4.4 的数字合并解读，对「打算在 SAP 上训练模型」的团队有三条直接可操作的启示：
- 小样本 fine-tune 的性价比被证实：211 人（Phase 1 单病种、约两个月的采集量）就实现了 36.3%→23.7%——对资源有限的团队，「先拿首发口径子集 fine-tune 一个强底座」是证据支持的路线；不必等千人口径集齐才开工。
- zero-shot 迁移的衰减要预算进来：典型语音 SOTA 直接用于构音障碍语音，错误率放大十倍——任何「通用大模型直接上」的产品假设都要先过这一关。工程含义：领域适配（哪怕是轻量 fine-tune）不是可选项而是必选项。
- 监督粒度是超参数：双版本转写（§2.4）+min-two-refs 评分（§5.2）意味着同一个模型可以在「词面精确」「语义正确」两个目标间选择训练与调优的落点——SAPC1 的 5 支「语义赢、词面输」队伍证明这是真实的策略空间而非理论假设。建议在开发早期就固定「主目标指标」，避免两线作战。
§5 SAPC1：第一届挑战赛（Interspeech 2025）
5.1 赛事设置与数据划分
SAPC1（Speech Accessibility Project Challenge 2024-2025）是数据集的第一次公开大考：基于 SAP-240430（415h/524 人），speaker-disjoint 70:10:20 切分，双 test 设计：
| 划分 | 说话人 | utterance 数 | 时长 | unshared 时长 |
|---|---|---|---|---|
| Train | 369 | 131,420 | 290.35h | — |
| Dev | 55 | 19,275 | 43.56h | — |
| Test1（可远程评估） | 50 | 18,397 | 42.16h | 25.17h |
| Test2（赛后评估） | 50 | 17,752 | 38.77h | 23.39h |
四处设计细节值得注意：
- speaker-disjoint 是铁律：任何说话人的录音不得跨划分出现——构音障碍者的语音特征高度个人化，允许跨集会直接作弊（模型记住个人音色即可刷分）。这也是全部语音基准的通用铁律，SAPC1 用 70:10:20 的比例把它做成了标准协议。
- 双 test 防过拟合：Test1 参赛期间可反复提交（三天内出分），Test2 只在赛后评一次—— leaderboard 上的 Test1 分数与最终 Test2 分数之间的落差，就是「对着测试集调参」的代价显影。
- unshared 数据的含义：Test1/Test2 各有约 6 成时长在训练分布中「unshared」（可能指未被任何参赛者用作训练的保留录音）——保留集的存在使主办方可以事后验证参赛者有没有偷偷用 test 数据训练。
- 划分与五病种交叉：SAPC1 时点五病种已开放但构成以 PD/ALS 为主（SAP-240430 时点 CP/DS/stroke 刚起步）——第一届成绩的病种覆盖窄于第二届。
5.2 双指标设计：WER + SemScore
SAPC1 的评估不只有词错误率：
- WER（词错误率）：主指标，SCTK/sclite 计算（evaluate.sh stages 0-2，min-two-refs 规则：多参考转写下取 utterance 级较低错误）；
- SemScore（语义分数）：MENLI（自然语言推理式语义评估）+ BertScore（BERT 嵌入相似度）+ Soundex（音近词容忍）三件组合，输出 0-100 分——专治 WER 的「同义不同词」盲区：构音障碍转写里「我昨天去了医院」被识别成「我昨天去叻医院」，WER 记 2 个错，语义上错得可忽略。
双指标在 22 支队伍上的分歧是这场赛事最有信息量的产出：12 支 WER 超基线、17 支 SemScore 超基线——5 支队伍语义上赢了、字面上输了。对辅助通信（AAC）场景这正中要害：终端用户要的是「设备听懂了我要说什么」，不是「每个词都打对了」。SemScore 的引入把这一场景需求写进了评测协议。
5.3 评估基础设施
- 平台：EvalAI，参赛者提交 hypotheses 文本文件；
- 算力托管：NCSA（美国国家超级计算应用中心，与 Beckman 同属 UIUC 体系）远程评估——参赛者不接触 test 音频，主办方服务器出分；
- 规则文书：评估脚本与 SCLite 配置公开在官方仓库（SAPC-template），赛后任何人可复算任何参赛队的分数。
这套「数据托管+远程评估+脚本公开」的三件套，后来被 SAPC2 原样继承并升级（Codabench+Docker 运行时），构成了 SAP 基准的可复现性底座。
5.4 战果：22 支队伍与 8.11%
| 结果项 | 数字 |
|---|---|
| 参评队伍 | 22 |
| 官方基线（whisper-large-v2） | WER 17.82%（Test2） |
| 冠军 WER | 8.11%（相对改进 54.49%） |
| 冠军 SemScore | 88.44% |
| WER 超基线队伍 | 12 |
| SemScore 超基线队伍 | 17 |
冠军方案的细节（架构、增强策略、是否多系统融合）以 Challenge 论文（Zheng et al.，Interspeech 2025，arXiv:2507.22047，16 作者）为准——论文同时收录了头部队伍的系统描述。官网的宣传口径「18%→8%」（2025-02 冠军报告 + 2025-06-16 公告文）是这一战果的大众版表述：一届赛事把构音障碍 ASR 公开最好成绩砍半。
5.5 挑战赛论文与可复现性
SAPC1 的全部技术资产三处可查：
- Challenge 论文（arXiv:2507.22047）：划分统计、基线、评估协议、头部系统摘要；
- SAPC-template 官方仓库：preprocess.sh（stages 1-4）/evaluate.sh（stages 0-2）全流程脚本——数据下载后按 README 即可重建完整评测；
- EvalAI 赛存档：各队提交与分数（参赛者同意公开的部分）。
对想复现或扩展的使用者：SAPC-template 的 preprocess stage 4 构造流式子集（时长过滤→VAD→MFA 对齐→尾隙过滤→逐说话人采样）是 SAPC2 流式赛道的先声——两届的评估管线是连续演化的，复现 SAPC1 前先读 SAPC2 仓库的 CHANGELOG 可以少走弯路。
5.6 双 test 的信息量：落差怎么读、怎么用
SAPC1 的 Test1（参赛期可反复提交）与 Test2（赛后一次性评估）不只是「防作弊」装置，它们组合起来还产出一个公开数据集少见的元指标——泛化落差：
- 落差即「对集调参税」：一支队伍在 Test1 上反复迭代后的分数，与它在没见过的 Test2 上的分数之差，就是它向 leaderboard 过拟合的程度显影。赛事论文把终榜以 Test2 为准，正是把这笔税从最终成绩里剥离。
- unshared 保留集的审计功能：Test1/Test2 各有约六成时长标记为 unshared（25.17h/23.39h）——官方持有的这部分录音使主办方可以事后核查参赛者有没有把 test 数据混入训练。对使用者，这等于官方背书了终榜分数的干净度。
- 对二次研究者的迁移价值：若你在自己的实验里也想防「验证集过拟合」，双 test+保留集的协议可以直接平移：开发期反复评估的开发集 + 只碰一次的终测集 + 由第三方托管的审计子集——三件套的工程成本远低于它挽回的结论可靠性。
顺带一个引用规范提醒：赛事结束后流传的「某队成绩」应锚定官方终榜（Test2 口径）；如果你引用的是 Test1 中间态（如某轮迭代分数），必须显式标注——两类数字混引是挑战赛文献里最常见的二手失真（§2.7 误读二的实例）。
5.7 把 SAPC1 成绩放回文献语境：跨数据集分数为什么不可直接比
文献里能找到 TORGO 与 UA-Speech 上「更低 WER」的旧报告，初看似乎与 SAPC1 的 8.11% 矛盾——其实三个数据集的分数根本不在同一把尺子上：
| 尺度要素 | UA-Speech 文献口径 | TORGO 文献口径 | SAPC1 |
|---|---|---|---|
| 任务形态 | 孤立词/数字串为主 | 连续语音+非词 | 连续朗读+自发 |
| 划分口径 | 各研究自定（说话人划分常见） | 各研究自定 | 官方统一 70:10:20 speaker-disjoint |
| 转写参考 | 单参考为主 | 单参考为主 | 官方参考+min-two-refs 多参考规则 |
| 评估工具 | 各研究自选 | 各研究自选 | 官方 SCLite 配置统一 |
四条差异叠加的后果：UA-Speech 孤立词任务的「低 WER」是任务属性（词表小、上下文为零），与连续语音的 8.11% 没有可比性；TORGO 旧报告的分数各自带着不可复现的划分与工具口径。SAPC1 的方法论贡献恰恰是把这四条全部钉死——官方划分+官方参考+官方工具，使 8.11% 成为第一个「同尺」成绩，此后任何队伍的分数都能在同一协议下对照。
给综述写作者的操作建议：跨数据集的构音障碍 ASR 对照表，行内必须标注「任务形态/划分/参考规则/评估工具」四列；只罗列 WER 数字的对照表会系统性高估孤立词时代的方法——本条目附录 G 与附录 S 可直接作为表格骨架。
§6 SAPC2：第二届挑战赛（NeurIPS 2026 Competition Track）
6.1 赛事定位与时间线
SAPC2 的最大新闻是入选 NeurIPS 2026 Competition Track 16 强（2026-08-05 官方宣布）——构音障碍 ASR 基准第一次进入 NeurIPS 竞赛轨道，意味着评审标准、可复现性要求与社区曝光都升级到 NeurIPS 规格：
| 节点 | 时间 | 内容 |
|---|---|---|
| NeurIPS Competition Track 入选官宣 | 2026-08-05 | 16 强赛道之一 |
| 提交截止 | 2026-10-24 AoE | Codabench 平台 |
| 赛事论文截止 | 2026-10-31 | 前排队伍技术报告 |
| Workshop | NeurIPS 2026 会期 2026-12-11~12，悉尼 | 官宣口径（官网 challenge 页仍写「major conference TBA」——坑 5，以 NeurIPS 官宣为准） |
双口径存照的判断依据：官网 challenge 页的信息更新滞后（同页 test 集 PD 人数也有排版缺损），NeurIPS 官方 track 页面是权威源——条目正文统一采用「NeurIPS 2026 · 悉尼 · 2026-12-11~12」口径。
6.2 双赛道：常规 ASR 与流式 ASR
SAPC2 把比赛拆成两条独立赛道：
Track 1 — Unconstrained ASR（非受限赛道）：与 SAPC1 同型的赛道——参赛者可用任意模型、任意外部数据（须申报）离线解码 SAPC2 test 集，按 CER 排名。这条赛道回答「当前最好系统能把构音障碍 ASR 做到多好」。
Track 2 — Streaming ASR（流式赛道）：SAP 基准的原创设计——参赛系统必须以流式模式（边听边出字）解码，成绩按时延-精度 Pareto 前沿评估：
- 精度：CER（字符错误率）；
- 时延：TTFT（time to first token，首字时延）与 TTLT（time to last token，末字时延）的 P50 毫秒值，在 CPU 上计时（排除 GPU 堆料刷时延）；
- 排名：不设单一冠军——落在 Pareto 前沿（任何精度/时延维度上不被他人同时碾压）的全部团队分享 $10,000 奖金。
Track 2 的拒收规则也成文：首词早发（first-token 提前于音频实际起点）占比 >5% 的提交直接拒收；Pass1/Pass2 两次解码一致性不达标的提交判无效——这两条分别封堵「抢先出字骗 TTFT」与「缓存整句伪装流式」两类投机。对做实时辅助通信设备的团队，Track 2 的评估协议本身就是需求文档：真实 AAC 设备的约束（本地推理、低时延、CPU 预算）被直接编码进了比赛规则。
6.3 指标体系：CER 主、WER 辅
SAPC2 把主指标从 WER 换成 CER（字符错误率），WER 降为辅助指标，官方说明引用 Thennal 等（NAACL 2025）的方法论依据。换标的理由有三层：
- 形态学鲁棒性：构音障碍语音的不流畅（重复、拖长）在词级惩罚过重——「the the the」式重复在 WER 下每个重复词都算错，CER 下惩罚更贴近感知差异；
- 分词无关性：构音障碍转写常无规范词边界（连写、断句分歧），WER 依赖分词质量而 CER 不依赖——跨队提交的分词差异不再污染分数；
- 连续性：WER 仍报告作为对照，两届成绩可折算比较（官方在 baseline 报告里同时给两指标）。
多参考处理沿用 SAPC1 的 min-two-refs 规则：utterance 有多个人工参考转写时，取错误率最低的那个参考——承认「同一句话可以有多个正确说法」，这在病理性语音里尤其重要。
6.4 三个官方基线与统一运行时
SAPC2 提供三个官方基线，覆盖三种当前主流架构：
| 基线 | 实现 | 架构类型 |
|---|---|---|
| Whisper large-v2 | faster-whisper | 编解码注意力（离线强、流式弱） |
| Parakeet TDT 0.6B v2 | NeMo | Token-and-Duration Transducer（流式原生） |
| Canary-Qwen 2.5B | NeMo | LLM 骨干混合架构（新一代 ASR 代表） |
运行时统一为 Docker 镜像 xiuwenz2/sapc2-runtime（PyTorch 2.5.0+cu124），官方评估硬件 A100 80GB、单次提交 21600 秒（6 小时）时限。这一设计把「环境差异」从评测变量里消掉了：所有队伍在同一镜像、同一硬件、同一时限下出分——SAPC1 时代的「各自环境自证」升级为「主办方托管重跑」。
提交走 Codabench 平台：test1 提交三天内出分，test2 赛后统一评估。双 test 结构与 SAPC1 一脉相承（防 leaderboard 过拟合），Codabench 的可复现包机制则让每次出分都附带可复核的计算环境快照。
6.5 SAPC2 语料与官方统计
SAPC2 使用的 SAP-1008 及后续版本语料构成（§2.1 的 999 人表）与 sequestered test 集（ALS 66/CP 58/DS 32/stroke 24）组成第二届评测全集。与 SAPC1 的关键差异：
| 维度 | SAPC1（Interspeech 2025） | SAPC2（NeurIPS 2026） |
|---|---|---|
| 数据基础 | SAP-240430（415h/524 人） | SAP-1008+（约 999 人口径） |
| 病种覆盖 | PD/ALS 为主 | 五病种齐备（CP/DS/stroke 上量） |
| 主指标 | WER | CER（WER 辅助） |
| 赛道 | 单一（离线） | 双赛道（离线+流式） |
| 评估平台 | EvalAI | Codabench+Docker |
| 排名制 | 总分冠军 | Pareto 前沿共享奖金（Track 2） |
| 学术挂靠 | Interspeech 2025 | NeurIPS 2026 Competition Track |
6.6 Pareto 前沿评估的方法论深读
Track 2 放弃单指标冠军、改用 Pareto 前沿共享奖金，这一设计值得单独拆解——它可能是医疗语音基准里第一次把「工程约束下的多点最优」写进排名规则：
- 为什么单指标在流式场景失效：把精度与时延压成单一分数（如按 λ 加权）必然引入权重假设——而 AAC 设备的约束因产品而异（有些设备 CPU 预算紧、可接受 80% 精度；有些设备精度优先、能等两秒）。Pareto 前沿不预设权重，把「哪种取舍值得」留给每个产品自己判断。
- 前沿上每个点都是有效答案：落在前沿上的系统可能是「最快但精度一般」「最准但较慢」或「中间均衡」——官方以奖金平分承认这些解同等合法。这与 SAPC1 的总分冠军制形成方法论对照：单赛道时代奖励「全场景最优解」，双赛道时代奖励「约束光谱上的每个最优解」。
- CPU 计时+拒收规则构成闭环：光有 Pareto 框架还不够——GPU 军备竞赛（§6.2）会把时延维拉成金钱竞赛，抢跑与缓存流式伪装会把精度维变成规则漏洞。TTFT/TTLT 在 CPU 上计时 + 首词早发 >5% 拒收 + Pass1/Pass2 一致性校验，三道闸把评估拉回「真实部署可行性」的本意。
- 对研究者的复制价值：Pareto 评估协议不需要挑战赛也能用——任何「模型质量 vs 推理成本」的多维评测（医疗影像的精度-显存、NLP 的质量-吞吐）都可以照搬这套「前沿识别+多点奖励」的框架。SAPC2 的贡献因此溢出了语音领域。
把 §6.2-6.6 合起来看，SAPC2 实际上发布了一份「流式 ASR 工程规范」：指标定义（CER/TTFT/TTLT）、环境约束（Docker/A100/时限）、合规判定（拒收规则）、排名哲学（Pareto）四层齐备——这在医疗语音基准里是罕见的完成度。
§7 获取与许可：DUA 申请制全流程
7.1 获取路径五步
| 步骤 | 动作 | 要点 |
|---|---|---|
| 1 | 官网下载 DUA PDF | 直链：data-transfer-and-use-agreement-speech-accessibility-project.pdf |
| 2 | 填写并双签名 | 机构负责人+使用者本人双签名；机构需有法律实体 |
| 3 | 撰写一页 proposal | 研究用途、数据范围、预期产出——简洁明确即可，无需预算 |
| 4 | 邮件提交 | speechaccessibility@beckman.illinois.edu，附件 DUA+proposal |
| 5 | 等待审批 | 约 2-4 周（SAPC2 网站口径）；获批后获下载权限与版本清单 |
7.2 DUA 条款要点与灰色地带
DUA 是合同而非开源许可，关键条款（按官网公开文本与挑战赛规则归纳）：
- 用途限制：约定研究用途；改变用途需重新报备——「研究」边界的解释权在主办方。
- 再分发禁止：不得向未签约个人/机构转发数据；新合作者走协议增补或独立申请——跨机构项目要按「数据不过墙」原则设计协作。
- 身份再识别禁止：不得尝试从音频/元数据反推参与者身份——与三州排除条款（§2.5）共同构成隐私合规闭环。
- 商用未明文开放：官网与 DUA 以学术研究为主要口径，商用授权需单独协商——把 SAP 用于商业产品的团队应先邮件确认，不要默认「拿到即可用」。
- 成果义务：通常要求产出中引用数据集论文（JSLHR 2024）——学术惯例的合同化。
7.3 AI-Ready 评估：申请制的得失账
以库内 AI-Ready 检查单过一遍：
- 机器可读元数据：官网版本公告+挑战赛官方仓库（SAPC-template）+三篇论文——文档体系完整，但规模数字散在多页且存在双口径（坑 2/3），自动化抓取需指定主口径。
- 公开直链：缺失——最大失分项。无 HF dataset（hf-mirror API 搜索为空实查）、无 Zenodo、无 AWS Registry；唯一「可编程入口」是申请获批后的下载凭据。
- 许可明确性：DUA 条款清晰（比「upon request 但条款不明」的请求制更明确），但非标准化——每个新机构都要走一轮法务。
- 可复现性：挑战赛侧极佳（SAPC-template+Codabench+Docker 全公开，评估可复算）；数据侧依赖审批成功。
- 格式互操作：WAV+CSV 标准格式，manifest 四列结构稳定，HF datasets/自定义 DataLoader 均可低成本接入。
综合：AI-Ready 等级「中」——文档与评估基础设施高于均值，可获取性被申请制拖低但未到「注册墙」程度（无机构背书要求、无费用、2-4 周确定性周期）。它代表了医疗语音数据「合规优先」路线的典型形态：与公开直链数据集相比慢两周，与注册墙数据集相比快一个法务周期。
7.4 与库内可获取性光谱的对照
库内条目已形成可获取性光谱（公开直链→平台托管→请求制→注册墙）：
| 档位 | 库内参照 | 本条目 |
|---|---|---|
| 公开直链 | HF/Zenodo 型 | — |
| 平台托管 | 挑战赛平台分发型 | — |
| 申请审批制 | 少量（含机构审批） | DUA 双签名+2-4 周（本条目档位） |
| 注册墙 | 注册+审批+费用型 | — |
SAP 的档位特征：审批确定性高（固定周期、无竞争性评审）但身份约束强（双签名、机构实体）。对检索者的实际影响：按「能否立刻下载」过滤时本条目不命中；按「能否确定性地拿到」过滤时它优于一切竞争性申请制数据集——两种口径下的归属差异，正是申请制的库内坐标。
7.5 申请实操的时间线规划
把 §7.1 的五步按「不可压缩的最短路径」排一遍，给依赖此数据的工程排期一个现实参照：
| 周段 | 动作 | 并行任务 |
|---|---|---|
| T+0 ~ T+3 天 | 下载 DUA、走机构签名流程、写 proposal | 用 TORGO/UA-Speech 搭原型管线 |
| T+3 ~ T+7 天 | 邮件提交（DUA+proposal 附件） | 用公开前作数据验证数据加载代码 |
| T+7 ~ T+35 天 | 官方审批（2-4 周口径，留缓冲） | 评估协议预研：SAPC-template 读码、指标口径对齐 |
| 获批当周 | 接收下载权限与版本清单 | 版本号登记、manifest 解析、规模核对（对附录 E） |
| 获批后 | 训练/评测正式开工 | 按附录 Q 检查清单逐项自查 |
三点规划提示：
- 审批期是黄金准备期：manifest 四列结构、SCLite 配置、speaker-disjoint 划分协议全部公开——获批前就可以把「数据无关」的管线代码全部写完，获批当天只剩数据替换。
- 法务是最大变量：2-4 周是主办方审批口径；机构侧的合同流转（盖章、法务审阅）可能另加数周——跨机构项目把这一段单独排期，别把主办方周期当成全部周期。
- 版本时点即实验时点：提交 proposal 时注明目标版本（§2.2 版本链），获批时的最新版可能已比 proposal 时点新一个版本——实验报告里的「数据版本」以实际下载清单为准，不以申请时点为准。
§8 生态与库内互链：构音障碍语音研究的坐标网
8.1 与库内条目的关系图谱
- TORGO（rid 466）：直接前作与论文对照物。JSLHR 主论文的 related work 以 TORGO 为「前代连续语音构音障碍语料」代表；SAP 在其基础上扩大两个数量级。两库数据结构同族（音频+句级转写+说话人标签），可做跨代际的模型退化实验。
- UA-Speech（rid 473）：孤立词时代的代表。SAP 的连续语音协议与 UA-Speech 的孤立词协议构成任务难度谱的两端——模型在 UA-Speech 高分、SAP 低分的落差，量化的正是「孤立词可用→连续语音失效」的工程缺口。
- PC-GITA（rid 459）：西班牙语单病种（PD）语料。与 SAP 的 PD 子集构成跨语言对照组——同一病种、两种语言，是语音病理跨语言迁移研究的现成素材。
- UCI 帕金森语音（rid 444）：声学特征（非 ASR）范式。它代表「语音测病」（从声学特征预测 PD）路线，SAP 代表「为病者建语音」路线——两条路线在 PD 人群上交汇，引用时注意任务方向相反。
- MDVR-KCL（rid 480）：另一 PD 声学数据集（远程采集）。与 UCI 同属声学范式对照。
不互链：dementiabank-pitt（DementiaBank Pitt）未收录于本库（查询无行）——文献中它与 SAP 同被列为「老年/临床语音语料」，但库内无对应条目，不设链接。
8.4 范式输出：「三件套」架构的可复制指南
SAP 对外部生态的最大辐射不是数据本身（DUA 限制了受益面），而是它的项目架构——「数据论文+方法论论文+挑战赛协议」三件套。这个架构的每个部件都已被验证可独立复制：
| 部件 | SAP 载体 | 复制要点 | 已见复制的证据 |
|---|---|---|---|
| 数据论文 | JSLHR 2024 主论文 | 规模口径+基线实验+获取政策同文公开 | 主论文被引 44（抓取时点），引用者覆盖 ASR 与临床两社区 |
| 方法论论文 | Zwilling Interspeech 2025 | 把「怎么采」单独成文，与数据解耦 | 为非英语同类计划提供了招募/协议蓝本 |
| 挑战赛协议 | SAPC1（Interspeech 2025）→ SAPC2（NeurIPS 2026） | 数据固定子集+speaker-disjoint+双 test+脚本公开 | SAPC2 升格 NeurIPS track，验证协议的可扩展性 |
| 工程管线 | SAPC-template 仓库 | preprocess/evaluate 两入口+stages 划分 | 后续计划直接复用其评估脚本口径 |
复制指南四条（给想启动同类采集的团队）：
- 先写方法论论文再扩规模：把招募-采集-标注协议在单一病种上验证成文（SAP 的 Phase 1→Zwilling 论文路径），协议经同行评审后再横向复制——比「边扩边改」省一个数量级的返工。
- 挑战赛是协议的压力测试：评估协议在闭门状态下写不完（corner case 全靠参赛者发现）——SAPC1 的 min-two-refs、双 test 等规则都在实战中固化，SAPC2 再升格。预算里给挑战赛留一席。
- 分发政策与采集规模同步设计：SAP 的 DUA 制在项目启动时就定了——分发模式反向约束采集协议（同意书范围、三州排除），后补分发政策会撞隐私法墙。
- 跨语言复制先读口径管理：YorVoice 等后续计划引用 SAP 规模时出现的口径漂移（坑 2）是前车之鉴——复制者的版本号体系与时点标注从第一条公告就要建立。
8.2 外部生态坐标
- Google Project Euphonia：工业界平行计划（§3.5 对照表）——SAP 论文明确以「学术界可分发的 Euphonia 补位」自我定位。
- Speech Accessibility Project 挑战赛社区：SAPC1 的 22 支队伍与 SAPC2 的 NeurIPS 参赛队伍构成动态社区；SAPC-template 仓库与 Codabench 页面是持续活跃的工程节点。
- 多语言延伸：YorVoice（约鲁巴语语音计划）等后续项目在论文中引用 SAP 的规模口径——SAP 的三件套范式（数据+方法论论文+挑战赛）正在被跨语言复制。
- 临床网络：与 MDA 等患者组织的招募合作、ClinicalTrials 注册（NCT05889260）——数据集背后的临床治理结构，是同类医疗 AI 数据集的参考架构。
8.3 引用与 BibTeX 三件套
@article{hasegawajohnson2024sap,
title = {The Speech Accessibility Project Dataset},
author = {Hasegawa-Johnson, Mark and others},
journal = {Journal of Speech, Language, and Hearing Research},
volume = {67},
number = {11},
pages = {4162--4175},
year = {2024},
doi = {10.1044/2024_JSLHR-24-00122}
}
@inproceedings{zwilling2025best,
title = {Best Practices for Collecting Speech from People with Dysarthria},
author = {Zwilling, ... and others},
booktitle = {Interspeech 2025},
pages = {3938--3942},
year = {2025},
doi = {10.21437/Interspeech.2025-2454}
}
@inproceedings{zheng2025sapc,
title = {The First Speech Accessibility Project Challenge},
author = {Zheng, ... and others},
booktitle = {Interspeech 2025},
year = {2025},
note = {arXiv:2507.22047}
}
使用注意：主论文 25 作者、Best Practices 12 作者、Challenge 论文 16 作者——上文 BibTeX 为节省篇幅用了「and others」缩略；正式引用时从 DOI 页拉全作者列表。三篇分工：数据本体引第一篇，采集方法论引第二篇，基准协议引第三篇。
§9 方法学启示：四条可迁移的经验
9.1 「计划值 vs 执行值」的口径管理是医疗数据集的必修课
SAP 在最基础的「每人标注量」上留下了 30 vs 15 的双口径（坑 3）。这不是疏忽而是常态：采集计划在执行中必然遭遇参与者能力分级、标注预算、质量门槛的压缩。可迁移的做法是 SAP 式的「双口径并存+来源标注」：愿景口径进官网宣传，执行口径进 FAQ/论文，条目引用时逐处注明口径来源。对任何「目标 2,000 人」式的远期宣称，检索者都应追问一句「当前执行到多少」——本条目正文一律以执行口径为硬数字。
9.2 申请制不是可获取性的敌人，模糊才是
SAP 的 DUA 制常被归为「获取障碍」，但拆开看：固定周期（2-4 周）、明确材料（DUA+一页 proposal）、公开条款（PDF 直链）——它是「确定性申请制」。对比两类更差形态：条款模糊的 upon request（响应周期与标准全凭作者心情）与竞争性注册墙（评审通过率不定）。SAP 的实践说明：可获取性的关键变量不是「要不要申请」，而是「申请规则是否可预期」。同类项目若走申请制，抄它的五步清单（§7.1）即可把获取摩擦降到合同下限。
9.3 挑战赛是活数据集的第二次发布
SAPC1/SAPC2 对数据集的反哺远超「办个比赛」：speaker-disjoint 划分协议、min-two-refs 多参考规则、SemScore 复合指标、流式 Pareto 评估、Docker 统一运行时——这些评估基础设施都是挑战赛催生的公共品，且全部开源。数据集论文发布的是「数据」，挑战赛发布的是「用法」；两者合起来才构成完整的 AI-Ready 资产。对数据集建设者的启示：把评估协议预算进数据项目（SAP 为此单独养了挑战赛论文与官方仓库），回报是可复现性维度的代际领先。
9.4 病理语音的「双版本转写」是低成本高杠杆的设计
§2.4 的 with/without disfluency 双版本转写，边际成本几乎为零（同一标注动作的两个输出），却同时喂饱三类下游：ASR 训练（选监督粒度）、不流畅检测（版本差即标签）、临床测量（不流畅率的自动统计）。这个设计的通用化：凡标注协议里存在「可剥离的修饰层」（口吃、语病、方言词），就把它作为独立版本保留——信息只增不减，下游自取所需。
§10 避坑清单：八个已踩过的坑
坑 1：SAP 不是公开下载数据集。HuggingFace 上没有官方镜像（hf-mirror.com API 搜索为空，2026-10-04 实查），搜到声称「SAP dataset 下载」的第三方仓库均不可信且可能违反 DUA。唯一正规入口是官网 DUA 申请流程（§7.1）。检索时看到「available on request」与「download」混排的页面，以官网 challenge/DUA 页为准。
坑 2：规模双口径——官网 vs 二次文献。官网口径约 1,500h/999 人；YorVoice 论文引用 1,090h/约 1,130 人；SAPC Challenge 论文 arXiv 摘要写「over 400 hours / more than 500 individuals」（对应 SAP-240430 时点）。三个数字都对——分别对应不同时点快照。引用必须带时点：当前规模引官网、挑战赛子集引 arXiv/Interspeech、历史口径注明出处。
坑 3：标注量双口径——30 vs 15。JSLHR 主论文口径每人 30 份标注（DDP 计划），FAQ 最终口径每人 15 份（实际执行）。引用「每人标注量」时注明来源：做数据量估算用 15（真实库存），做愿景对照时才提 30（计划值）。同理「1,200,000 样本」是含未标注音频的愿景总数，不是转写条数。
坑 4：SAPC2 test 集 PD 人数排版缺损。官网 challenge 页原文「13 w with PD」——数字与单位排版损坏，两轮抓取确认原文如此。ALS 66/CP 58/DS 32/stroke 24 完整可用。不要从「13 w」猜测 PD 人数（可能是 130+ 或其他），正式引用需等官网修复或论文披露。
坑 5：SAPC2 workshop 地点双口径。NeurIPS 2026 官宣：悉尼，2026-12-11~12；官网 challenge 页仍写「major conference TBA」。以 NeurIPS 官方 track 页为准。引用 SAPC2 时同样注意：「入选 NeurIPS 2026 Competition Track」（2026-08-05 官宣）是已发生事实，workshop 时段以会方后续更新为最终口径。
坑 6：别把挑战赛子集当全集。SAP-240430 的 415h/524 人是 SAPC1 评测子集；SAP-1008 的 train 253h+dev 41.1h 是 SAPC2 的 train/dev；官网 1,500h/999 人是当前全库。三层口径各有所指——文献里凡出现「SAP 有 X 小时」，先核对它说的是哪一层。版本号锚定是唯一防混手段（§2.2 版本链表）。
坑 7：两届挑战赛指标不同，别跨届硬比。SAPC1 主指标 WER（冠军 8.11%）；SAPC2 主指标 CER（WER 为辅）且 Track 2 按 Pareto 前沿排名（无单一冠军）。CER 与 WER 数值不可互换；「SAPC2 冠军成绩」的说法不成立（Pareto 前沿可能多个团队）。跨届比较只可通过官方同时报告的两指标折算，或直接引用官方 baseline 在两届数据上的同口径数字。
坑 8：官网导航与登记页的时效陷阱。官网 /news-events/* 新闻索引路径 404（2026-10-04 两轮实抓），版本公告只能从主页动态与 challenge 页拼合；ClinicalTrials NCT05889260 登记 485 人严重滞后于实际 999 人。凡引用「官网最新动态」或「登记人数」，注明抓取时点；招募规模一律以官网主页口径为准，不引注册页。
§11 总结
11.1 三句话总结
- Speech Accessibility Project Dataset 用临床试验级的招募工程把构音障碍英语语料从十小时级推到约 1,500 小时、999 人、五病种——数据缺口从「不可学」变成「还差一点」。
- 它以 DUA 申请制（双签名+proposal+2-4 周）换取医疗语音合规的确定性，代价是可获取性——但规则确定、周期固定，是申请制里的高确定性形态。
- 两届挑战赛（Interspeech 2025 → NeurIPS 2026）把评估协议做成了开源公共品：WER 17.82%→8.11% 的成绩跃迁与流式 Pareto 评估协议，让「构音障碍 ASR」第一次有了可对标的工程前沿。
11.2 适合谁
- 语音识别研究者：要真实规模的病理语音训练集与 speaker-disjoint 评测协议。
- 辅助通信（AAC）工程团队：Track 2 流式协议就是产品需求的镜像（CPU 时延、首字时延、无作弊流式）。
- 语音病理临床研究者：五病种分层转写（双版本）支持不流畅度自动测量与跨病种语音学分析。
- 数据集工程研究者：招募-采集-标注-发布-挑战赛全链条方法论论文齐备，是同类项目的参考架构。
11.3 不适合谁
- 需要「clone 即用」公开数据的团队（DUA 审批周期不可绕过；无 HF/Zenodo 镜像）。
- 非英语场景的直接落地（单一英语语料；跨语言迁移需自行采集或配多语料）。
- 需要 PD/CP 之外病种均衡样本的流行病学研究（stroke 97 人 vs PD 346 人的构成偏斜是采集顺序的化石）。
- 期望商用授权开箱即得的产品团队（DUA 以学术研究为主口径，商用需单独协商）。
11.4 30 秒决策卡
| 你的情况 | 行动 |
|---|---|
| 想立刻跑构音障碍 ASR 基线 | 先用 TORGO（rid 466）/UA-Speech（rid 473）热身，同时提交 SAP 申请（2-4 周确定性周期） |
| 要复现/对标 SAPC 成绩 | 读 SAPC-template 仓库 + arXiv:2507.22047；注意 SAPC1 用 WER、SAPC2 用 CER（坑 7） |
| 做实时无障碍设备 | 直接研究 Track 2 规则（TTFT/TTLT P50、CPU 计时、拒收规则）——协议即需求文档 |
| 做跨语言构音障碍研究 | SAP（英语）× PC-GITA（rid 459，西语）对照起步；引用 SAP 规模口径时带时点（坑 2） |
| 设计同类采集项目 | 读 Zwilling Interspeech 2025（doi:10.21437/Interspeech.2025-2454）+ 本条目 §3 流水线 |
| 引用本数据集 | 数据引 JSLHR 2024（doi:10.1044/2024_JSLHR-24-00122）；标注量用 15/人口径（坑 3）；规模带版本号（坑 6） |
FAQ（高频问答 30 问）
A. 基础认知
Q1：Speech Accessibility Project 是公司还是大学的项目？
大学项目。UIUC 贝克曼研究所主导，PI 为电子与计算机工程教授 Mark Hasegawa-Johnson；获行业资助（多家药企，具体名单以官网最新披露为准），但数据分发与学术治理独立于任何公司。
Q2：它和 Google 的 Euphonia 是什么关系？
平行互补（§3.5 对照表）。Euphonia 是工业界内部数据；SAP 把同类型数据以学术 DUA 路线全球分发——SAP 论文自我定位为「可分发的学术补位」。
Q3：为什么专注这五种病？
五种病覆盖了构音障碍的最大人群池：PD（患病率最高）、ALS（进展最快最重度）、CP（生命周期最长的先天/围产期来源）、DS（遗传来源的高患病率群体）、stroke（全球致残首因）。五病种的设计让数据同时覆盖发展性、退行性与获得性构音障碍三大类。
Q4：数据是什么语言的？
英语（美国）。跨语言使用者可参考 PC-GITA（西语 PD）等同类库，或关注引用 SAP 范式的多语言后续项目（如 YorVoice）。
Q5：「AI-Ready」程度如何？
中等（§7.3）：文档与评估基础设施优秀，可获取性被 DUA 申请制拖低。格式本身（WAV+CSV 四列 manifest）对管线零摩擦。
B. 数据细节
Q6：每人真的录了 600 句吗？
600 是采集协议目标。重度构音障碍者按能力分级采集，实际产出因人而异；入库的人工标注量按 FAQ 最终口径为每人 15 份（论文口径 30 份为计划值，坑 3）。
Q7：「含/不含不流畅」的两个转写版本怎么选？
训练「听懂内容」用 without_disfluency；训练「忠实转写全部语音」（含病理性重复、拖长）用 with_disfluency；做不流畅检测用两版的差异作弱标签（§2.4）。
Q8：有音频质量分级或噪声标签吗？
已核验来源未披露逐条信噪/环境标签（遗留待核）。挑战赛协议按 utterance 级评估，未按音质分层——做音质敏感研究需自行测量。
Q9：sequestered test 集能申请到吗？
不能。sequestered test 由官方持有、仅用于挑战赛官方评估——这是防 test 污染的第三方托管设计。常规申请获得的是 train/dev 口径数据。
Q10：数据有版本号吗？怎么引用特定版本？
有。日期式版本号（SAP-240430、SAP-1008 等，§2.2 版本链）。引用时写明版本号+获取日期；DUA 附件的版本清单是法律意义上的精确依据。
C. 获取与合规
Q11：个人研究者（无机构）能申请吗？
DUA 要求机构与个人双签名——个人独立研究者需挂靠有法律实体的机构。这是医疗语音数据申请制的普遍门槛。
Q12：审批要多久？被拒过吗？
SAPC2 网站口径约 2-4 周。拒批案例未见公开披露；proposal 用途与 DUA 条款冲突（如商用表述）是最可能的风险点。
Q13：可以发 HuggingFace 镜像帮社区提速吗？
不可以。DUA 明确禁止再分发；上传镜像既违反协议也可能违反参与者的隐私授权。社区的正确姿势是各自走申请流程。
Q14：企业能申请吗？商用怎么算？
DUA 以学术研究为主口径；企业申请与商用授权需邮件单独协商（speechaccessibility@beckman.illinois.edu）。不要默认获批即含商用权。
Q15：拿到数据后能发论文吗？要署名吗？
发布成果需引用数据集论文（JSLHR 2024，通常为 DUA 条款义务）；是否有「数据使用致谢/审阅」要求以获批时的 DUA 文本为准。
D. 挑战赛
Q16：SAPC1 和 SAPC2 我该看哪个？
要看复现性与成绩：SAPC1（Interspeech 2025，WER 主指标）；要看前沿协议与最新数据：SAPC2（NeurIPS 2026，CER 主指标+流式赛道）。两届评估协议连续演化，SAPC2 仓库的变更日志覆盖了 SAPC1 的历史。
Q17：SAPC2 的 $10,000 怎么分？
Track 2 流式赛道：落在时延-精度 Pareto 前沿的全部团队平分——不设单一冠军，奖励的是「多快好省」的多点解。
Q18：流式赛道为什么要 CPU 计时？
排除「用 GPU 集群把时延刷到零」的军备竞赛，贴近真实 AAC 设备的本地推理约束。TTFT/TTLT 的 P50（中位数）口径也压制了偶发尖峰的干扰。
Q19：可以直接提交到 test2 上刷分吗？
不能。test2 赛后统一评估（SAPC1 就是这个设计）；test1 提交三天出分但多轮提交会留下轨迹——两 test 结构就是防 leaderboard 过拟合的。
Q20：基线模型能直接商用吗？
基线是三方模型（OpenAI Whisper、NVIDIA Parakeet/Canary），许可各随其源仓库；SAP 数据的 DUA 约束独立于基线模型许可——商用前两件事都要查。
E. 方法与复现
Q21：怎么复现 JSLHR 论文的 36.3%→23.7%？
需要 2023-10-05 首发 Data Package（211 人版）与 whisper-large-v2；评估脚本口径参考 SAPC-template 的 sclite 配置。注意首发版可能已不再对 新申请者提供——需在申请时指定历史版本。
Q22：SemScore 怎么算的？
MENLI（NLI 式语义判定）+ BertScore（嵌入相似度）+ Soundex（音近容错）的组合分（0-100）。公式与权重见 Challenge 论文（arXiv:2507.22047）附录；SAPC2 已把主指标换成 CER，SemScore 沿用与否以 SAPC2 规则页为准。
Q23：min-two-refs 是什么？
多参考转写下取 utterance 级较低错误的评分规则：一句话有多个人工转写时，系统输出对每个参考各算一次错误、取最小值——承认病理性语音「多个正确说法」的现实。
Q24：为什么我复现的数字对不上论文？
先查三件事：版本号（坑 6）、指标口径（坑 7，WER vs CER）、划分口径（fine-tune 实验口径 vs speaker-disjoint 评测口径，§4.2）。三者全对齐后仍有出入，再查 whisper 实现版本（large-v2 的 faster-whisper/原生 transformers 数值有微小差异）。
F. 库内与检索
Q25：本条目与 TORGO 条目怎么配合阅读？
先读 TORGO（rid 466）了解前代协议与规模上限，再读本条目看代际升级（§2.6 谱系表）；两库结构同族，可做「同一模型跨代际退化」实验。
Q26：库内还有哪些语音相关条目？
UA-Speech（rid 473，孤立词）、PC-GITA（rid 459，西语 PD）、UCI 帕金森语音（rid 444，声学特征）、MDVR-KCL（rid 480，远程声学）——与 SAP 构成「任务×语言×范式」的语音病理家族。
Q27：为什么没有 dementiabank-pitt 的互链？
DementiaBank Pitt 未收录于本库（查询无行）。文献里它常与 SAP 并列为临床语音语料，但库内无条目即不设链接。
Q28：检索本数据集用什么关键词？
「Speech Accessibility Project Dataset」（精确短语）+「dysarthric」/「dysarthria」；核对 DOI 10.1044/2024_JSLHR-24-00122 与官网域名 beckman.illinois.edu。只写「Speech Accessibility Project」会混入计划层面的新闻页。
Q29：本条目后续会更新什么？
维护触发点见附录 M：优先级最高的是 SAPC2 结果揭晓（2026-12 workshop 前后）与官网规模口径滚动；其次是 sequestered test PD 人数修复（坑 4）与新闻索引恢复（坑 8）。
Q30：如果只记住一件事？
构音障碍 ASR 的公开最好成绩在两年里从 18% 被压到 8%——这件事的前提是一次千人级的病患语音采集工程与一套全开源的评估协议；数据本身要 DUA 申请，但协议与论文全部免费。
G. 工程与规划
Q31：数据集会停更吗？
无停更公告；官网滚动口径持续更新（2023-10 首发至今已四个版本锚点），招募目标 2,000 人尚未达成——按当前 999/2,000 的进度，数据集仍处活跃扩张期。引用时注意任何时点数字都会过时。
Q32：怎么跟踪新版本与公告？
官网主页动态与 challenge 页（§2.2）；注意 /news-events/* 索引路径 404（坑 8），不能依赖新闻聚合页。挑战赛动态优先看 NeurIPS track 页与 Codabench 平台。
Q33：音频是什么格式？采样率多少？
WAV+CSV manifest 是已核验的发布形态；采样率/声道等波形参数以获批时的版本清单与 DUA 附件为准——不同录音批次（到站/远程）可能存在参数差异，管线应按文件头自适应而非硬编码。
Q34：可以只申请部分病种的子集吗？
proposal 中写明所需数据范围是流程的一部分——按病种限定范围通常使审批更顺（用途-范围对齐）；实际发放粒度以主办方回复为准。
Q35：参加挑战赛还要单独申请数据吗？
挑战赛使用官方发放的 challenge 子集（train/dev 随报名发放，test 经平台评估）——与常规 DUA 申请是两条通道。做挑战赛不必先签完整 DUA；想把 challenge 数据用于赛事之外的论文，按官方规则页确认授权范围。
Q36：SAPC2 结果还没出，现在能引用什么？
引用赛道设置与协议（§6.2-6.4，均为官方已发布事实）；成绩栏只能写「评估进行中（截止 2026-10-24）」。不要引用任何第三方对 SAPC2 结果的预测或泄露。
Q37：网上有人卖 SAP 数据/提供「代下载」，可信吗？
不可信且违规。DUA 明确禁止再分发，任何有偿转售都违反协议且数据来源可疑（可能掺假）。发现的正规做法是向官方邮箱举报，而不是购买。
Q38：数据适合做语音合成（TTS）训练吗？
技术上音频+转写满足 TTS 形态要求，但两点前置：一是 proposal 中明确 TTS 研究用途（超出默认 ASR 预期需写明）；二是合成语音涉及参与者声音特征的再生成，伦理边界比识别任务更敏感——获批前与主办方书面确认，不要默认覆盖。
Q39：怎么引用本条目（百科页）本身？
数据事实引三篇原始论文（附录 C 证据链），本条目作为中文导航与口径整理的参考页引用即可——「千方病案医数集 AI-Ready Wikipedia：speech-accessibility-project 条目」。硬数字永远回溯源论文，百科页不替代原始引用。
Q40：工程接手清单三句话？
第一，申请走 DUA 五步（§7.1），审批期把管线写完；第二，数字全部钉版本号（§2.2/附录 E），禁止绝对数硬编码；第三，评测对齐官方口径——SAPC1 是 WER、SAPC2 是 CER、流式看 Pareto（坑 7）。
H. 任务边界
Q41：能拿这数据做说话人识别/验证吗？
技术上音频+说话人标签满足形态要求，但两点前置：proposal 中写明该用途；牢记去标识与反推禁止条款（§7.2）——说话人任务天然在「利用个人语音特征」，伦理与合规审查比 ASR 更严，获批前书面确认。
Q42：有构音障碍严重度分级标签吗？
已核验的 manifest 口径（四列转写+病因标签）不含严重度分级字段——严重度需要研究者用临床量表自行评定或从语音特征推算。引用「SAP 覆盖重度构音障碍」时，指的是群体覆盖（ALS/CP 等病种包含重度个体），不是逐条严重度标签。
Q43：能拿到未转写的原始录音吗？
「每人 600 样本」与「15 份/人标注」之间的差额部分以什么形态、什么范围随包发放，以获批时的版本清单为准——proposal 中可以列明所需范围。不要把愿景总数当作可获得数据量做排期。
Q44：挑战赛数据和 DUA 申请的数据是一回事吗？
两条通道：挑战赛用官方发放的 challenge 子集（赛事用途授权）；DUA 申请获得的是研究用途的版本包。两者授权范围、可引用范围都不同——赛事数据写赛后论文前先核对赛事的成果授权条款（FAQ Q35）。
Q45：新读者从哪一节开始？
按目的选：拿数据→§7+附录 I；跑基准→§5/§6+附录 G；管项目→§3+附录 E/T；写综述→§0/§2.6+附录 S/U。INFOBOX（条目开头）永远是一分钟版。
事实清单（硬事实 40 条）
- Speech Accessibility Project Dataset 由 UIUC Beckman Institute 主导，PI Mark Hasegawa-Johnson，2022 年启动。
- 覆盖五病种：帕金森病（PD）、肌萎缩侧索硬化（ALS）、脑瘫（CP）、唐氏综合征（DS）、卒中（stroke）。
- 招募目标 2,000 人×600 样本=1,200,000 样本（官网愿景口径）。
- 官网当前口径：约 1,500 小时、约 999 名说话人。
- train/dev 五病种构成：PD 346 + ALS 196 + CP 195 + DS 165 + stroke 97 = 999（与官网「about 999 participants」精确吻合）。
- sequestered test 已知构成：ALS 66、CP 58、DS 32、stroke 24；PD 人数官网排版缺损（「13 w with PD」）不作断言。
- 版本链：2023-10-05 首发（211 PD speakers+test 42）→ SAP-240430（415h/524 spk）→ SAP-1008（2024-10-08，train 253h/343+dev 41.1h/51）→ 当前（1,500h/999）。
- Phase 1（2023-04~2023-11）仅招募 PD；Phase 2（2023-11 起）陆续开放 ALS/CP/DS/stroke。
- 主论文：JSLHR 67(11):4162-4175, 2024-11-07, doi:10.1044/2024_JSLHR-24-00122，25 作者，被引 44（抓取时点 2026-10-04）。
- 主论文 Supplemental Materials：doi:10.23641/asha.27078079。
- Best Practices 论文：Zwilling et al., Interspeech 2025, pp.3938-3942, doi:10.21437/Interspeech.2025-2454，12 作者。
- Challenge 论文：Zheng et al.（16 作者），Interspeech 2025，arXiv:2507.22047。
- ClinicalTrials.gov 注册号 NCT05889260，登记 485 人（滞后于实际 999 人）。
- 招募排除 WA/TX/IL 三州居民（州隐私法限制录音数据二次使用）。
- 获取方式：DUA 机构+个人双签名 + 一页 proposal；邮箱 speechaccessibility@beckman.illinois.edu；审批约 2-4 周（SAPC2 网站口径）。
- DUA PDF 官网直链：data-transfer-and-use-agreement-speech-accessibility-project.pdf。
- HuggingFace 无公开镜像：hf-mirror.com API 搜索返回空（2026-10-04 实查），佐证 DUA 再分发限制的执行。
- 转写 manifest CSV 四列：id/text/norm_text_with_disfluency/norm_text_without_disfluency（SAPC-template 仓库实抓）。
- 标注量双口径：论文口径每人 30 份（DDP 计划）vs FAQ 最终 15 份/人（实际执行）。
- JSLHR 首发基线：typical speech WER 3.4% → dysarthric speech 36.3% → fine-tune 后 23.7%（相对改进约 35%）；基线模型 whisper-large-v2。
- SAPC1 划分（speaker-disjoint 70:10:20）：Train 369 spk/131,420 utt/290.35h；Dev 55/19,275/43.56h；Test1 50/18,397/42.16h（unshared 25.17h）；Test2 50/17,752/38.77h（unshared 23.39h）。
- SAPC1 spk 总计 524、时长总计 414.84h——与 arXiv 摘要「over 400 hours / more than 500 individuals」吻合。
- SAPC1 基线：whisper-large-v2 在 Test2 上 WER 17.82%。
- SAPC1 冠军：WER 8.11%、SemScore 88.44%，相对基线改进 54.49%。
- SAPC1 参评 22 队；WER 超基线 12 队；SemScore 超基线 17 队。
- SemScore = MENLI + BertScore + Soundex 组合分。
- SAPC1 评估：EvalAI 平台 + NCSA 远程评估；min-two-refs 规则（多参考取 utterance 级较低错误）。
- 官网宣传口径「18%→8%」（2025-02 冠军报告；2025-06-16 公告文）。
- SAPC2 入选 NeurIPS 2026 Competition Track 16 强（2026-08-05 官宣）。
- SAPC2 提交截止 2026-10-24 AoE；论文截止 2026-10-31；workshop NeurIPS 2026 悉尼 2026-12-11~12（NeurIPS 官宣口径；官网 challenge 页写 TBA——双口径存照）。
- SAPC2 双赛道：Track 1 Unconstrained ASR；Track 2 Streaming ASR（时延-精度 Pareto 前沿）。
- SAPC2 指标：CER 主 + WER 辅（方法论引 Thennal et al. NAACL 2025）；时延 TTFT/TTLT 的 P50（ms，CPU 计时）。
- SAPC2 奖金 $10,000 平分 Pareto 前沿团队。
- SAPC2 提交走 Codabench（test1 三天出分、test2 赛后评估）。
- SAPC2 三基线：Whisper large-v2（faster-whisper）、Parakeet TDT 0.6B v2（NeMo）、Canary-Qwen 2.5B（NeMo）。
- SAPC2 运行时：Docker xiuwenz2/sapc2-runtime（PyTorch 2.5.0+cu124）；评估硬件 A100 80GB；单次提交 21600s 上限。
- SAPC2 Track 2 拒收规则：首词早发 >5% 拒收；Pass1/Pass2 一致性不达标判无效。
- SAPC-template 官方管线：preprocess.sh stages 1-4（stage 4 流式子集：时长过滤→VAD→MFA 对齐→尾隙过滤→逐说话人采样）；evaluate.sh stages 0-2（SCTK/sclite）。
- 官网 /news-events/* 新闻索引路径 404（2026-10-04 两轮实抓）——版本公告散见于主页与 challenge 页。
- 库内互链五条目（已发布 status=1）：torgo(466)、ua-speech(473)、pc-gita(459)、parkinsons-voice-uci(444)、mdvr-kcl(480)；dementiabank-pitt 不在库（无行）不互链。
术语表（28 条）
| 术语 | 释义 |
|---|---|
| 构音障碍（dysarthria） | 发音器官肌肉控制受损导致的言语障碍，常见于 PD/ALS/CP/DS/卒中 |
| ASR | Automatic Speech Recognition，自动语音识别 |
| WER | Word Error Rate，词错误率=（替换+删除+插入）/参考词数 |
| CER | Character Error Rate，字符错误率，SAPC2 主指标 |
| TTFT | Time To First Token，首字时延，流式评估指标之一 |
| TTLT | Time To Last Token，末字时延，流式评估指标之一 |
| P50 | 中位数（percentile 50），时延统计口径 |
| Pareto 前沿 | 多目标（精度/时延）下不被他人同时支配的解集合；Track 2 排名依据 |
| speaker-disjoint | 说话人不跨集的划分铁律：同一说话人录音不得同时出现在 train 与 test |
| sequestered test | 官方托管、不随常规申请发放的保留测试集 |
| min-two-refs | 多参考转写下取 utterance 级较低错误的评分规则 |
| disfluency | 不流畅现象：重复、拖长、填充词等；转写保留/去除双版本 |
| DUA | Data Use Agreement，数据使用协议；SAP 的分发合同 |
| SemScore | MENLI+BertScore+Soundex 组合语义分（SAPC1） |
| MENLI | 基于自然语言推理的机器译文/转写语义评估器 |
| BertScore | 基于 BERT 嵌入相似度的文本质量分数 |
| Soundex | 语音算法编码，容忍音近词错误的评分组件 |
| SCLite / SCTK | NIST 语音评估计分工具链，evaluate.sh 调用 |
| VAD | Voice Activity Detection，语音活动检测，preprocess 流程环节 |
| MFA | Montreal Forced Aligner，强制对齐工具，流式子集构造环节 |
| EvalAI | SAPC1 使用的远程评估平台 |
| Codabench | SAPC2 使用的基准评估平台（可复现计算包机制） |
| faster-whisper | Whisper 的推理优化实现，SAPC2 基线之一 |
| Parakeet TDT | NVIDIA 的 Token-and-Duration Transducer 流式 ASR 模型 |
| Canary-Qwen | NVIDIA 基于 LLM 骨干的混合 ASR 模型 |
| AAC | Augmentative and Alternative Communication，辅助与替代沟通（场景术语） |
| JSLHR | Journal of Speech, Language, and Hearing Research，主论文期刊 |
| Beckman Institute | UIUC 的跨学科研究所，SAP 主办机构 |
附录
附录 A：条目信息速查卡
| 项 | 值 |
|---|---|
| 条目名 | Speech Accessibility Project Dataset |
| url_name | speech-accessibility-project |
| 类型 | 数据集+方法论论文+双届挑战赛基准（三合一） |
| 主论文 | JSLHR 67(11):4162-4175, 2024（doi:10.1044/2024_JSLHR-24-00122） |
| 机构 | UIUC Beckman Institute（PI Mark Hasegawa-Johnson） |
| 规模 | 约 1,500h/999 人（官网 2026 口径）；目标 2,000 人×600 样本 |
| 许可 | DUA 申请制（双签名+proposal，约 2-4 周） |
| 抓取时点 | 2026-10-04 |
| 库内互链 | torgo(466)/ua-speech(473)/pc-gita(459)/parkinsons-voice-uci(444)/mdvr-kcl(480) |
附录 B：DAIMS 评估全表
| 维度 | 评分（1-10） | 依据 |
|---|---|---|
| D 可发现性 | 8 | 官网+三论文+挑战赛页面可索引；「Speech Accessibility Project」名称与新闻/计划页混排需精确短语检索 |
| A 可获取性 | 4 | 无公开直链、无 HF 镜像；DUA 申请制周期确定（2-4 周）但双签名门槛+商用未开放——最大失分项 |
| I 可互操作 | 8 | WAV+CSV 标准格式，四列 manifest 结构稳定；SAPC-template 提供完整解析/评估管线 |
| M 元数据质量 | 7 | 版本链+manifest 规范完整；规模/标注量存在多口径双写（坑 2/3），官网个别页排版缺损（坑 4/8） |
| S 可持续性 | 8 | 大学机构主办+行业资助+临床试验级治理；滚动版本发布机制成熟；单点风险在官网信息架构（索引 404） |
| 综合评级 | 7.0/10（中上） | 数据质量与评估基础设施高于均值；可获取性被申请制拖低但规则确定性优于同类 |
附录 C：逐项证据链自证
| 关键数字 | 来源 | 位置/方式 |
|---|---|---|
| 五病种构成 346/196/195/165/97=999 | SAPC2 官方 challenge 页 | WebFetch 实抓 2026-10-04 |
| sequestered test ALS 66/CP 58/DS 32/stroke 24 | 同上 | 同上（PD 排版缺损存照） |
| 版本链 211→415h/524→253h+41.1h→1,500h/999 | JSLHR 论文/Challenge 论文/APSIPA 2025/官网 | 四源交叉 |
| 首发 WER 3.4%/36.3%/23.7% | JSLHR 2024 主论文 | WebFetch 全文抓取 |
| SAPC1 划分 369/55/50/50 spk | Challenge 论文（arXiv:2507.22047） | arXiv 实抓 |
| 基线 17.82% / 冠军 8.11% / SemScore 88.44% | 同上 + 官网公告文 | 双源互证 |
| SAPC2 NeurIPS 入选/双赛道/CER 主指标/$10,000 | NeurIPS Competition Track 页 + SAPC2 challenge 页 | 双源互证 |
| Docker xiuwenz2/sapc2-runtime / A100 / 21600s | SAPC2 官方仓库/文档 | GitHub 实抓 |
| manifest 四列结构 | SAPC-template 仓库 | GitHub 实抓 |
| 审批 2-4 周 | SAPC2 网站 | WebFetch 实抓 |
| NCT05889260 登记 485 人 | ClinicalTrials.gov | WebFetch 实抓 |
| HF 无镜像 | hf-mirror.com API | API 实查（返回空） |
附录 D：数据获取决策树
需求是什么？
├── 只想快速跑通构音障碍 ASR 原型
│ └── 先用 TORGO（rid 466）/UA-Speech（rid 473）热身
│ 同时提交 SAP 申请（2-4 周确定性周期）
├── 要正式训练/评测（有机构支持）
│ ├── 1) 官网下载 DUA PDF
│ ├── 2) 机构+个人双签名
│ ├── 3) 一页 proposal（用途/范围/产出）
│ └── 4) 邮件 speechaccessibility@beckman.illinois.edu
├── 只想引用成绩/对比基准
│ ├── SAPC1：arXiv:2507.22047（WER 17.82%→8.11%）
│ └── SAPC2：NeurIPS 2026 track 页（CER 主指标，Pareto 前沿）
├── 做流式/实时系统
│ └── 读 Track 2 规则（TTFT/TTLT P50、CPU 计时、拒收规则）
└── 想找公开镜像？
└── 没有（hf-mirror API 实查为空，坑 1）——唯一正规入口是 DUA 申请
附录 E：版本引用速查表
| 你要说的东西 | 正确引用口径 |
|---|---|
| 首发成果/小样本 fine-tune 实验 | 2023-10-05 Data Package（211 PD+42 test；JSLHR 2024） |
| 第一届挑战赛评测集 | SAP-240430（415h/524 spk；arXiv:2507.22047） |
| 第二届 train/dev | SAP-1008 及后续（train 253h/343+dev 41.1h/51 起步，SAPC2 官方页） |
| 当前全库规模 | 官网口径（约 1,500h/999 人）+抓取日期 |
| 每人标注量 | 15 份/人（FAQ 最终口径）；30 份/人仅作计划值对照 |
附录 F：五病种构成登记总表
| 病种 | train/dev | sequestered test | 备注 |
|---|---|---|---|
| PD | 346（34.7%） | 官网排版缺损（坑 4） | Phase 1 独占期（2023-04~11）先发优势 |
| ALS | 196（19.6%） | 66 | Phase 2 首个开放病种 |
| CP | 195（19.5%） | 58 | 发展性构音障碍代表 |
| DS | 165（16.5%） | 32 | 遗传来源代表 |
| stroke | 97（9.7%） | 24 | 获得性构音障碍最大人群，占比最低 |
| 合计 | 999 | 180+（不含 PD） | 与官网口径交叉验证通过 |
附录 G：SAPC1 vs SAPC2 协议对照总表
| 维度 | SAPC1 | SAPC2 |
|---|---|---|
| 学术挂靠 | Interspeech 2025 | NeurIPS 2026 Competition Track（2026-08-05 入选） |
| 数据基础 | SAP-240430 | SAP-1008 及后续 |
| 划分 | 70:10:20 speaker-disjoint（369/55/50/50） | train/dev 999 人+sequestered test |
| 主指标 | WER | CER（WER 辅助） |
| 语义指标 | SemScore（MENLI+BertScore+Soundex） | 以 SAPC2 规则页为准 |
| 赛道 | 单一离线 | 双赛道（离线+流式 Pareto） |
| 时延评估 | 无 | TTFT/TTLT P50（CPU 计时） |
| 评估平台 | EvalAI+NCSA | Codabench+Docker（xiuwenz2/sapc2-runtime） |
| 硬件/时限 | 主办方托管 | A100 80GB / 21600s |
| 奖励 | 学术发表 | $10,000 平分 Pareto 前沿团队 |
| 基线 | whisper-large-v2（WER 17.82%） | Whisper large-v2 / Parakeet TDT 0.6B v2 / Canary-Qwen 2.5B |
| 成绩 | 冠军 WER 8.11%/SemScore 88.44% | 2026-10-24 截止、12 月 workshop 揭晓 |
附录 H：SAPC-template 管线骨架（伪代码）
# 官方仓库 SAPC-template 的两入口（stages 依官方 README）
def preprocess(manifest_csv, stage):
# stage 1-3: 音频校验 / 转写归一化（with/without disfluency）/ 特征提取
rows = load_csv(manifest_csv) # id, text, norm_text_with_disfluency, norm_text_without_disfluency
if stage == 4: # 流式子集构造（SAPC2 Track 2 前置）
rows = filter_by_duration(rows) # 时长过滤
segs = vad_split(rows) # VAD 切分
aligns = mfa_align(segs) # MFA 强制对齐
aligns = trim_tail_gap(aligns) # 尾隙过滤
subset = sample_per_speaker(aligns) # 逐说话人采样
return subset
def evaluate(hyps, refs, metric):
# stage 0-2: 环境校验 / SCTK-sclite 计分 / 汇总
scores = sclite_score(hyps, refs,
mode="min-two-refs") # 多参考取 utterance 级较低错误
return {metric: scores[metric] for metric in ("WER", "CER")}
复现提示：stages 编号与实现细节以官方仓库当前版为准；本骨架用于读码定位，不作逐行对照承诺。
附录 I：DUA 申请材料清单与邮件模板
材料三件：签署完成的 DUA PDF（双签名）、一页 proposal（研究用途/数据范围/预期产出）、申请者机构信息。
Subject: Data Access Request - Speech Accessibility Project Dataset
Dear Speech Accessibility Project Team,
I am [name], [position] at [institution]. We are working on
[one-sentence research use, e.g., dysarthric speech recognition
model training and evaluation for assistive communication].
Please find attached the signed Data Use Agreement and our
one-page proposal describing the intended research use.
We will not redistribute the dataset and will cite
Hasegawa-Johnson et al. (JSLHR 2024) in all outputs.
Thank you for your consideration.
[Institutional affiliation + contact]
附录 J：评估指标公式表
| 指标 | 公式/口径 | 使用届别 |
|---|---|---|
| WER | (S+D+I)/N，词级；SCLite 计算 | SAPC1 主 / SAPC2 辅 |
| CER | 字符级编辑距离/参考字符数 | SAPC2 主 |
| TTFT | 音频起点→首 token 输出的时延，P50（ms） | SAPC2 Track 2 |
| TTLT | 音频终点→末 token 输出的时延，P50（ms） | SAPC2 Track 2 |
| SemScore | MENLI+BertScore+Soundex 加权组合（0-100） | SAPC1 |
| min-two-refs | 多参考取 utterance 级 min 错误 | 两届通用 |
附录 K：坑点档案（与 §10 对照）
| 坑 | 一句话档案 | 触发场景 |
|---|---|---|
| 坑 1 | 非公开下载，HF 无官方镜像（DUA 禁再分发） | 检索/下载 |
| 坑 2 | 规模三口径：1,500h/999（官网）vs 1,090h（YorVoice）vs over 400h（arXiv） | 规模引用 |
| 坑 3 | 标注量双口径：30（论文计划）vs 15（FAQ 执行） | 数据量估算 |
| 坑 4 | SAPC2 test PD 人数官网排版缺损「13 w with PD」 | test 构成引用 |
| 坑 5 | workshop 双口径：NeurIPS 官宣悉尼 12-11~12 vs 官网 TBA | SAPC2 引用 |
| 坑 6 | 挑战赛子集≠全集：415h/524 是 SAPC1 子集 | 版本对号 |
| 坑 7 | 两届指标不同：SAPC1 WER 主 vs SAPC2 CER 主，跨届不可硬比 | 成绩对比 |
| 坑 8 | 官网 /news-events/* 404 + NCT 登记 485 滞后于 999 | 动态/规模引用 |
附录 L：双口径登记表
| # | 项 | 口径 A | 口径 B | 处理 |
|---|---|---|---|---|
| 1 | 总规模 | 约 1,500h/999 人（官网当前） | 1,090h/约 1,130 人（YorVoice 引用） | 以官网为主口径，注明抓取时点 |
| 2 | 每人标注量 | 30 份（JSLHR 论文计划） | 15 份（FAQ 最终执行） | 硬数字用 15，计划值注明 |
| 3 | SAPC2 workshop | NeurIPS 官宣：悉尼 2026-12-11~12 | 官网 challenge 页：TBA | 以 NeurIPS 官宣为准 |
| 4 | 招募规模 | 官网 999 人 | NCT05889260 登记 485 人 | 以官网为准，登记数作历史锚点 |
| 5 | Challenge 论文规模 | over 400 hours/more than 500 individuals（arXiv 摘要） | 414.84h/524 spk（正文口径） | 引正文精确数 |
附录 M：维护计划与触发点
| 触发点 | 条件 | 动作 | 优先级 |
|---|---|---|---|
| SAPC2 结果揭晓 | 2026-12 NeurIPS workshop 前后 | 更新 §6、附录 G 成绩行、坑 7 复核 | 1 |
| 官网 test PD 人数修复 | challenge 页排版修复 | 解除坑 4 存照、补附录 F | 2 |
| 规模口径滚动 | 官网人数/小时数更新 | 更新 INFOBOX/§2.2/坑 2 | 3 |
| 新闻索引恢复 | /news-events/* 路径可用 | 补全版本链中间锚点 | 4 |
| 版本发布 | 新 SAP-XX 版本公告 | 版本链表加行 | 5 |
| 商用政策变化 | DUA 商用条款公开化 | 更新 §7.2/FAQ Q14 | 6 |
附录 N：检索决策树
你想找什么？
├── 数据本体申请
│ └── 官网 DUA 页（PDF 直链）+ speechaccessibility@beckman.illinois.edu
├── 主论文
│ └── doi:10.1044/2024_JSLHR-24-00122（JSLHR 67(11)）
├── 采集方法论
│ └── doi:10.21437/Interspeech.2025-2454（Interspeech 2025）
├── 挑战赛协议与成绩
│ ├── SAPC1：arXiv:2507.22047
│ └── SAPC2：NeurIPS 2026 Competition Track 页 + 官网 challenge 页
├── 评估管线
│ └── GitHub SAPC-template（preprocess.sh/evaluate.sh）
└── 构音障碍语音前作
└── 库内 TORGO(466)/UA-Speech(473)/PC-GITA(459)
附录 O：FAIR/AI-Ready 检查单
| 检查项 | 状态 | 说明 |
|---|---|---|
| F1 全局唯一标识 | ✅ | DOI（三篇论文）+ 版本号体系（SAP-YYMMDD） |
| F2 富元数据 | ✅ | 论文+版本公告+manifest 结构；多口径双写需注意 |
| A1 可访问协议 | ⚠️ | DUA 申请制（确定性 2-4 周），无公开直链 |
| A2 元数据可访问 | ✅ | 官网/论文/仓库全开放（个别页面 404/缺损已存照） |
| I1 互操作格式 | ✅ | WAV+CSV 标准格式，manifest 四列稳定 |
| I2 词汇表引用 | ✅ | 标准 ASR 术语（WER/CER/SCLite）+临床病种标准名 |
| R1 来源溯源 | ✅ | 采集-标注-版本-挑战赛全链条论文化 |
| R3 可复现流程 | ✅ | SAPC-template+Codabench+Docker 全开源 |
| AI-Ready 综合 | 中上 | 评估侧优秀，获取侧申请制拖分但规则确定 |
附录 P：缩写速查
| 缩写 | 全称 |
|---|---|
| SAP | Speech Accessibility Project |
| PD / ALS / CP / DS | Parkinson’s Disease / Amyotrophic Lateral Sclerosis / Cerebral Palsy / Down Syndrome |
| DUA | Data Use Agreement |
| WER / CER | Word/Character Error Rate |
| TTFT / TTLT | Time To First/Last Token |
| VAD / MFA | Voice Activity Detection / Montreal Forced Aligner |
| DAIMS | Discoverability/Accessibility/Interoperability/Metadata/Sustainability |
| UIUC | University of Illinois Urbana-Champaign |
| NCSA | National Center for Supercomputing Applications |
| NCT | ClinicalTrials.gov 注册号前缀 |
附录 Q：基于本数据集的研究检查清单（12 项）
- 许可核对：你的用途是否落在 DUA 约定的研究范围？商用表述先邮件确认（§7.2）。
- 版本锚定：任何实验报告写明 SAP 版本号与获取日期（坑 6）。
- 指标口径：SAPC1 引 WER、SAPC2 引 CER；跨届比较只走官方双指标折算（坑 7）。
- 划分纪律：speaker-disjoint 不可破；sequestered test 不可申请——自建划分时按 70:10:20 对照。
- 多参考规则：自建评测启用 min-two-refs 口径与官方对齐。
- 转写版本选择：with/without disfluency 按任务显式声明（§2.4），不要静默混用。
- 病种分层：跨病种结论按五病种分层报告（PD 347 档偏斜，附录 F）。
- 时延评估：流式研究对齐 Track 2 口径（TTFT/TTLT P50、CPU 计时、拒收规则）。
- 再分发红线：不向未签约方转发数据；不上传任何镜像（坑 1）。
- 规模引用：带版本号+时点（坑 2/8）；标注量用 15/人（坑 3）。
- 引用完整：数据引 JSLHR 2024、方法引 Interspeech 2025 Best Practices、基准引 Challenge 论文（附录 C 三件套）。
- 时点存照：官网动态数字（规模/workshop 安排）注明抓取日期，随附录 M 触发点滚动更新。
附录 R：本条目生产档案
- 生产通道：任务头正选候选直接执行（存在性核验四源通过：官网实抓/JSLHR 论文/ClinicalTrials/SAPC2 页面）
- 事实研究：WebSearch+WebFetch 多轮（官网/论文/arXiv/GitHub/ClinicalTrials/hf-mirror API），核心数字三源互证
- FACTS.md：writing/speech-accessibility-project/FACTS.md 九节
- 成稿方式：五块直写拼接（part1-5，私有区 .parts_agent-b-speechacce_1791056426_1208390），全程不用 Edit 追加
- 坑点：§10 八则（坑 1-8「坑 N：」编号制）
- 查重：qf_psql 实查仅命中 ua-speech(473)，无撞库
- 互链计划：正文内链 5 处（TORGO/UA-Speech/PC-GITA/UCI 帕金森语音/MDVR-KCL）+发布后家族导航
附录 S：库内语音病理数据集家族对照总表
| 条目（rid） | 语言 | 病种 | 任务范式 | 与 SAP 的关系 |
|---|---|---|---|---|
| TORGO（466） | 英语 | CP+ALS | 连续语音 ASR | 直接前作：协议同族、规模对照（JSLHR 论文 related work 对照物） |
| UA-Speech（473） | 英语 | CP | 孤立词识别 | 任务难度谱另一端：孤立词→连续语音的工程缺口标尺 |
| PC-GITA（459） | 西班牙语 | PD | 声学+ASR | 跨语言对照组：同病种（PD）双语言迁移素材 |
| UCI 帕金森语音（444） | 英语 | PD | 声学特征（非 ASR） | 任务方向相反的对照：「语音测病」vs「为病者建语音」 |
| MDVR-KCL（480） | 英语 | PD | 声学特征（远程采集） | 同上，远程采集范式对照 |
家族阅读建议：按「前作协议（466/473）→ 本条目（SAP）→ 跨语言/跨范式（459/444/480）」的顺序读，构音障碍语音数据集的任务、语言、范式三个维度即可拼齐。dementiabank-pitt 不在库中（查询无行），不设链接。
附录 T：常见误读纠正速查表
| # | 常见误读 | 纠正 | 出处 |
|---|---|---|---|
| 1 | 「SAP 有 120 万条标注」 | 1,200,000 是采集愿景总量；人工标注按 15 份/人执行口径 | 坑 3/§2.7 |
| 2 | 「SAP 在 HuggingFace 能下」 | 无官方镜像；DUA 禁再分发 | 坑 1 |
| 3 | 「SAP 有 415 小时」 | 415h 是 SAPC1 子集（SAP-240430），全集约 1,500h | 坑 6 |
| 4 | 「SAPC2 冠军 WER 是 X%」 | SAPC2 主指标是 CER 且 Track 2 无单一冠军（Pareto 前沿） | 坑 7 |
| 5 | 「SAP 记录了 485 人」 | NCT 登记 485 是滞后值；官网当前 999 | 坑 8 |
| 6 | 「每人标了 600 句转写」 | 600 是采集目标；入库标注 15 份/人（FAQ 口径） | 坑 3 |
| 7 | 「17.82% 是任务难度下界」 | 是 zero-shot 基线；同数据冠军 8.11% | §4.4 |
| 8 | 「with_disfluency 是脏数据」 | 是独立监督粒度，剥离的恰是临床信号 | §2.7 |
| 9 | 「workshop 地点未定」 | NeurIPS 官宣：悉尼 2026-12-11~12 | 坑 5 |
| 10 | 「test 集 PD 有 13 人/130 人」 | 官网原文排版缺损，不作断言 | 坑 4 |
附录 U：大事记时间线（2022-2026）
| 时间 | 事件 | 来源 |
|---|---|---|
| 2022 | 项目启动宣布（UIUC Beckman Institute） | 官网/新闻稿口径 |
| 2023-04 | Phase 1 开始：仅招募 PD | 官网/论文 |
| 2023-10-05 | 首发 Data Package：211 PD speakers + test 42 | JSLHR 2024 |
| 2023-11 | Phase 2 开始：ALS/CP/DS/stroke 陆续开放 | 官网 |
| 2024-04-30 | SAP-240430 版本（415h/524 spk） | Challenge 论文/官方 |
| 2024-11-07 | 主论文刊出（JSLHR 67(11):4162-4175） | NLM |
| 2024-10-08 | SAP-1008 版本（train 253h/343+dev 41.1h/51） | APSIPA 2025 口径 |
| 2025-02 | SAPC1 冠军报告（18%→8% 口径） | 官网 |
| 2025-06-16 | SAPC1 公告文 | 官网 |
| 2025-08/09 | Interspeech 2025：Best Practices + Challenge 双论文 | doi/arXiv |
| 2026-08-05 | SAPC2 入选 NeurIPS 2026 Competition Track 16 强 | NeurIPS 官宣 |
| 2026-10-24 | SAPC2 提交截止（AoE） | SAPC2 规则 |
| 2026-12-11~12 | SAPC2 workshop（NeurIPS 2026 悉尼） | NeurIPS 官宣 |
附录 V：四条阅读路径
| 读者 | 路径 | 预计用时 |
|---|---|---|
| 赶时间的申请者 | INFOBOX → §7（获取）→ 附录 I（材料清单）→ FAQ Q11-Q15 | 10 分钟 |
| 基准复现者 | §5 → §6 → 附录 G（协议对照）→ 附录 H（管线骨架）→ FAQ Q21-Q24 | 30 分钟 |
| 数据工程/治理 | §2 → §3 → 附录 E（版本引用）→ 附录 T（误读表）→ FAQ Q31-Q33 | 30 分钟 |
| 综述写作者 | §0 → §2.6/§3.6（谱系）→ 附录 S（家族表）→ 附录 U（大事记）→ 尾注 | 40 分钟 |
附录 W：数据字典（发布包工程规格）
| 字段/结构 | 类型 | 取值/格式 | 约束与说明 |
|---|---|---|---|
| id | string | 说话人+utterance 编码（格式以实发 manifest 为准） | 主键；拼接音频路径 |
| text | string | 原始人工转写 | 保真层：保留标点与口头语原貌 |
| norm_text_with_disfluency | string | 归一化转写（保留不流畅） | 训练「全量转写」任务 |
| norm_text_without_disfluency | string | 归一化转写（去除不流畅） | 训练「内容识别」任务；与上一列 token 级对应 |
| 病因标签 | 枚举 | PD / ALS / CP / DS / stroke | 说话人级属性，五值之一 |
| 划分标记 | 枚举 | train / dev / sequestered test | sequestered 部分不随常规申请发放 |
| 版本号 | string | SAP-YYMMDD 日期式 | 任何规模引用必须锚定到此字段 |
工程自检三条：一、manifest 行数与官方公告的 utterance 数核对（附录 E 口径）；二、双版本转写列的非空一致性检查（两列应同时有值）；三、说话人集合的跨划分唯一性检查（speaker-disjoint 验证，附录 Q 检查项 4）。参数未披露项（采样率等）按文件头自适应（FAQ Q33）。
附录 X：SAPC1 赛果解读：22 支队伍告诉了我们什么
SAPC1 的参赛分布本身就是一份构音障碍 ASR 的行业体检报告：
| 观察项 | 数字 | 解读 |
|---|---|---|
| 参评队伍 | 22 | 数据获批制下仍有 22 支队伍完成全程——申请摩擦没有挡住认真玩家 |
| WER 超基线 | 12/22（54.5%） | 过半队伍能打败 zero-shot whisper-large-v2：fine-tune 门槛已不高 |
| SemScore 超基线 | 17/22（77.3%） | 语义维度超基线率高得多——通用模型在语义层已有相当底子，缺的是词面层的领域适配 |
| 「语义赢、词面输」 | 5 队（17-12） | 存在系统性策略差异：部分队伍的领域适配改善了语义理解却恶化了词面精确——两类优化尚未合流 |
| 冠军相对改进 | 54.49%（WER）/ SemScore 88.44% | 头部与基线的差距（8.11% vs 17.82%）远大于队伍中位与基线的差距——头部队伍掌握的是非平凡的架构/数据增强组合，不是简单的 fine-tune |
三个结论：
- 基线是「及格线」不是「天花板」：54.5% 的超基线率说明 whisper-large-v2 的 zero-shot 成绩（17.82%）对认真备赛的队伍只是入场券；但冠军 8.11% 与第二梯队的差距提示，把成绩从「超基线」推进到「冠军」需要质变而非量变。
- 双指标的分歧有信息量：WER 与 SemScore 超基线率的 22.8 个百分点落差（54.5% vs 77.3%）量化了「词面精确」与「语义正确」的解耦程度——这正是 SAPC2 把主指标换成 CER 并保留语义视角的伏笔（§6.3）。
- 申请制数据也能养活活跃社区：22 支队伍全部走完了 DUA 申请+数据分发+评估提交的全流程——「申请制扼杀社区活力」的担忧被这组数字部分证伪，摩擦成本换来了数据治理的确定性（§7.3 的「得失账」在此得到实证校准）。
附录 Y：管线排错速查（SAPC-template 使用者）
用官方管线复现评测时的高频卡点与排查顺序（按「先环境、再数据、后评分」原则）：
| 症状类 | 首查 | 次查 | 常见根因 |
|---|---|---|---|
| preprocess stage 1 即失败 | manifest 路径与列名 | 音频文件完整性 | 版本错配：用了非当前版本的清单解读新包（坑 6） |
| MFA 对齐大量失败 | 音频采样率/格式 | 转写双版本选择错误 | 流式子集构造误用 without_disfluency 列做对齐（应为与音频一致的转写） |
| sclite 分数与官方差异 | 划分口径（train/dev/test） | 参考文件选择 | 未启用 min-two-refs 或参考集混入了 sequestered 口径（坑 7 关联） |
| 分数与论文对不上 | 三要素（版本/划分/模型） | whisper 实现版本 | §4.4 守则 1-4 逐项核对，最后才怀疑实现差异 |
| 流式子集时长异常 | stage 4 过滤阈值 | VAD 敏感度 | 病理语音停顿长，通用 VAD 默认参数过切——按官方仓库参数为准 |
两条通用纪律：一、任何脚本修改前先 diff 官方仓库当前版——SAPC1→SAPC2 管线在演化，旧博客/旧 README 的参数可能已失效；二、所有实验记录版本号+manifest 校验和，使「对不上」永远可回溯到某一层（附录 Q 检查项 2/4）。
附录 Z：引用 SAP 任何数字前的五问（口径终检）
SAP 的数字体系有四层口径（愿景/执行、全集/子集、两届赛事、多时点快照），引用前过五问，可拦截本条目 §10 全部八个坑：
| # | 问题 | 判定依据 | 拦截的坑 |
|---|---|---|---|
| 1 | 这个数字是哪个时点的？ | 版本号（SAP-YYMMDD）或官网口径+抓取日期 | 坑 2/8 |
| 2 | 愿景值还是执行值？ | 愿景：2,000 人/600 样本/30 份标注；执行：999 人/15 份标注 | 坑 3 |
| 3 | 全集还是赛事子集？ | 全集约 1,500h/999 人；SAPC1 子集 415h/524 人 | 坑 6 |
| 4 | 哪一届、什么指标？ | SAPC1=WER 主（8.11% 终榜）；SAPC2=CER 主+Pareto（无单一冠军） | 坑 5/7 |
| 5 | 来源可回溯吗？ | 论文（JSLHR/arXiv）/官网/GitHub 三源之一，且附录 C 证据链可查 | 全部 |
五问全过 → 数字可入文；任何一问含糊 → 回附录 E（版本引用速查）与附录 L（双口径登记表）对表。这条五问流程同样适用于审稿：看到引用 SAP 的段落，按表逐行核。
尾注
本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-04，抓取与核验时点见附录 A。事实陈述以 JSLHR 主论文（doi:10.1044/2024_JSLHR-24-00122）、SAP 官网、SAPC1/SAPC2 官方页面与 SAPC-template 仓库为源；规模/标注量多口径、SAPC2 test PD 人数排版缺损、workshop 地点双口径等原始文档缺陷已在坑点与附录 L 存照。条目与库内 TORGO（rid 466）、UA-Speech（rid 473）、PC-GITA（rid 459）、UCI 帕金森语音（rid 444）、MDVR-KCL（rid 480）等条目互链，构成语音病理数据集家族的完整检索面。后续维护触发点见附录 M。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- sprsound — 共享标签：生理信号 / 语音信号 / 挑战赛数据集 / 评测基准
- parkinsons-voice-uci — 共享标签：生理信号 / 语音信号 / 评测基准 / 帕金森病
- pc-gita — 共享标签：生理信号 / 语音信号 / 帕金森病
- speech-commands — 共享标签：生理信号 / 语音信号 / 评测基准
- hf-lung-v1 — 共享标签：生理信号 / 语音信号 / 评测基准
- mdvr-kcl — 共享标签：生理信号 / 语音信号 / 帕金森病
- daic-woz — 共享标签：生理信号 / 语音信号 / 评测基准
- icbhi-2017 — 共享标签：生理信号 / 语音信号 / 评测基准
- cinc-2021 — 共享标签：生理信号 / 挑战赛数据集 / 评测基准
- apnea-ecg — 共享标签：生理信号 / 挑战赛数据集 / 评测基准
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
