语音数据供给约束儿童AI发展

一台99元的AI玩具可以记住孩子的名字、回应他讲的故事，甚至与他闲聊整个晚上。但当我们将目光聚焦到产业端，能被合法、合规地拿来训练这类产品的儿童语音数据样本总规模不足220小时。从技术到落地之间的那道数据鸿沟，比芯片、模型、价格的差距更大。

自2025年以来，儿童人工智能硬件市场快速扩大。据魔镜洞察统计，2026年1-5月我国AI玩具线上销售额为6.9亿元，同比提升202.2%，销量为214.3万件，同比大涨466.8%；500元以下产品份额已攀升至74%。AI玩具销量增速远高于销售额增速，反映出市场正从高端尝鲜转向大众消费。

与终端放量形成对照的是，支撑儿童AI玩具产品核心体验的底层能力并未同步成熟。儿童AI产品的交互链条以语音为入口，其可用性高度依赖自动语音识别（ASR）技术在儿童语音数据处理上的表现。而儿童语音数据的供给规模、合规条件与流通机制构成了这一品类特有的约束条件。产业发展要往前走，先得回答一个更基本的问题—到底有没有足够的儿童声音数据“喂”给模型。

在公开数据集方面，目前公开可得、规模可观的中文低龄儿童普通话语料为 ChildMandarin数据集，由北京智源人工智能研究院数据平台于2025年5月上线发布。该数据集包含来自中国22个省级行政区的397名3~5岁儿童的41.25小时语音数据，采用手工逐字转写，采样率16kHz。数据集明确指出其目标是补齐“这一年龄段公开可用资源的短板”。该数据集采用CC-BY-NC-SA-4.0许可协议“仅可用于非商业用途”。这意味着企业不能将其直接用于商业产品的模型训练。

在商业供给方面，数据堂在售的“178小时中国儿童麦克风语音采集数据”是公开可查的较大规模数据产品,由739名中国儿童通过高保真麦克风录制，男女比例均衡，录音内容主要来自儿童教科书、儿童故事书、数字，录制环境为相对安静的室内。

儿童语音数据集供给不足直接反映在识别能力上。在单一儿童年龄组样本上训练的语音识别模型难以泛化到其他年龄段儿童，儿童语音自动识别词错误率最高可达成人语音自动识别词错误率的5倍。受儿童声道发育、发音不稳定影响，自动识别功能的性能差距在低龄儿童、家庭非受控闲聊场景下会进一步扩大。

The Learning Agency的研究证明了儿童语音专用数据集的重要性：在儿童语音专用数据集上对预训练语音模型微调可减少30%的相对词错误率，经过微调后，不同年龄组儿童语音识别的词错误率可降至13%~21%。

声学与语言层成因差距的成因分布在三个层面。从声学特征来看，4~6岁儿童语音基频多处于250~400Hz，而成人语音典型基频为100~180Hz；受声道长度影响，儿童元音第一共振峰较成人上移200~300Hz。该年龄段儿童音节平均时长较成人延长约50%，声门频率抖动率可达成人的2~3倍。由于发声器官尚未发育成熟，儿童语音在频谱、时序与声门扰动特征上显著区别于成人语音。基于成人语料训练得到的声学模型会产生严重的声学失配，模型在儿童语音高维特征空间中的分类决策边界大面积失效。

在语言层面，3~5岁儿童平均掌握词汇约1000~2500词，而成人日常使用词汇超过1万个。儿童常用的叠词、自造词与不完整句式在标准语言模型词表中多为未登录词。同时，发音器官发育未成熟还带来替代音、省略音与声调混乱问题。

在话语节奏层面，儿童言语中的不规则停顿、重复与自我修正现象，会导致面向成人语音设计的语音端点检测（VAD）机制失效，产生语音误切分。该技术痛点在产业专利中亦有佐证：凯旺（杭州）科技有限公司于2026年7月公开的发明专利CN122416994A在背景技术中指出：通用语音识别模型对儿童语音适配性不足，易因儿童无规律停顿误切分语音，混合语料训练易特征混淆。

2026年7月，《人工智能拟人化互动服务管理暂行办法》正式施行，其适用对象为“模拟自然人人格特征、思维模式和沟通风格的持续性的情感互动服务”，覆盖AI玩具的主流形态。这一领域相关的各项政策形成了一系列复合约束：要求儿童语音数据单独同意、监护人同意、目的限定、存储期限最小化、不得向第三方提供、原则不得用于训练、监护人可随时撤回且撤回即删除、强制合规审计。

其中“可撤回、可删除”对数据集建设具有巨大影响。在这一约束下，儿童语音数据集无法作为可沉淀的长期资产运营，而更接近于一项需要持续维护、随时可能缩减的负债。此外，《儿童个人信息网络保护规定》要求向监护人告知存储地点、期限及到期后的处理方式，进一步提高了儿童语音数据采集的成本。

2026年6月，国家数据局印发《关于推进行业高质量数据集建设行动的实施方案》（以下简称“方案”），部署强基扩容、标注攻坚、提质增效、应用赋能、管理服务、价值释放六大专项行动，目标是形成“场景牵引数据、数据驱动模型、模型赋能应用、应用创造价值”的“数据飞轮”。方案要求“充分利用模型应用产生的动态交互数据等，驱动行业模型能力持续提升。”

由此出现方向性张力：一份文件鼓励充分利用模型应用产生的动态交互数据驱动模型，另一份文件禁止将属于敏感个人信息的交互数据用于模型训练。两者指向同一批数据，即儿童与AI玩具之间的日常对话。这并非政策冲突，而是部门分工使然—数据主管部门负责扩大供给，网信部门负责控制风险。但在企业执行层面构成了一个难以同时满足的障碍。

覆盖范围也是一个值得注意的结构性问题。方案列出的18个重点领域中包含“教育教学”，5个创新领域包含低空经济、具身智能、智能驾驶、智慧海洋、生物制造，但儿童消费级交互数据未在清单中出现。而国家数据局公布的数据显示，截至2026年第一季度，全国已建成高质量数据集超过11.6万个，总体量超过960PB，国内日均词元调用量突破140万亿。数据集整体供给规模巨大，而面向低龄儿童家庭自由交互场景的合规语音数据供给存在显著短板，二者形成结构性反差。

方案第十六条同时提出“严禁非法收集或使用敏感数据”与“防范数据集建设全流程产生数据偏见与歧视”。该条款在儿童语音场景下具备特殊含义：若训练数据中儿童样本严重不足，模型在儿童语音上识别性能将显著降低，这一现象源于数据集代表性缺失，构成由数据分布失衡引发的结构性算法偏差。

面对供给约束，产业实践中已出现三条路径，各有其适用边界。

端侧化路径的典型实践可参考前述专利CN122416994A，其方案为“全流程于智能玩具本地处理单元执行”，并将“保障儿童语音数据隐私安全”列为技术收益。该路径解决了数据流通问题，但未解决数据来源问题—端侧小模型同样需要儿童语音数据完成微调。

合成数据路径在政策上留有空间。《人工智能拟人化互动服务管理暂行办法》规定，“利用合成数据进行模型训练和关键能力优化的，应当评估合成数据安全性”；《关于推进行业高质量数据集建设行动的实施方案》也提出“发挥数据合成在数据集建设中的积极作用，利用模型、仿真系统等生成的数据，解决稀缺场景数据集构造难、真实场景数据采集成本高等问题。”但该路径存在内生技术风险：2024年《自然》杂质发表的模型崩溃（Model Collapse）研究证实，用模型自身生成的合成数据递归训练下一代模型，会导致不可逆的性能退化—早期表现为模型丢失分布尾部的低概率事件信息，晚期则收敛至与原始真实分布几乎无相似性的状态。在针对OPT-125M模型的经典实验中，递归训练至第9代时，模型输出已退化为无意义的重复名词序列。哈佛与斯坦福后续的联合研究进一步指出，经典模型崩溃实验多基于合成数据完全替代真实数据的非现实假设，在训练中保持一定比例的真实数据即可显著缓解退化，而这一缓解路径的前提条件恰好是儿童AI领域最为稀缺的要素。

数据供给约束向商业结果的传导路径如下：合规约束导致数据无法回流，模型难以针对真实使用场景迭代，识别失败率维持在高位，儿童用户在交互起点即中断使用，产品留存下降，新增设备所产生的交互数据亦无法沉淀用于改进，形成负向循环。

儿童用户的容错特征放大了这一问题。成人遇到识别失败会换用替代表述，低龄儿童通常不具备这种补偿能力，交互中断后往往直接转向其他活动。物理环境亦构成叠加因素：毛绒材质对声波存在遮挡，家庭场景存在电视声等背景噪声，而儿童语音识别对噪声的敏感度显著高于成人，同等噪声条件下儿童词错误率可翻倍。市场数据已显现相应迹象—对于大部分AI玩具，用户玩两周就扔在一边，部分AI玩具配网失败就会直接推高退货率。

在被锁住的数据规模方面，跃然创新（Haivivi）旗下BubblePal与CocoMate两大系列产品累计销量已突破30万台，其CocoMate系列单设备日均对话超过60轮次。据此保守估算，仅该企业存量设备每日产生的儿童语音交互即在千万轮量级，依据2026年7月15日正式施行的《人工智能拟人化互动服务管理暂行办法》第十六条，除法律、行政法规另有规定或者取得用户单独同意外，服务提供者不得将属于敏感个人信息的用户交互数据用于模型训练。由于儿童语音交互数据属于不满十四周岁未成年人的敏感个人信息，且消费级产品通常未就数据训练用途取得监护人单独授权，因此该类交互数据原则上不得用于模型训练。

分级分类的儿童数据供给体系

主管部门应严格区分“含可识别个人信息的儿童语音”与“剥离身份的声学特征库”。前者适用完整的监护人同意与可撤回机制，后者则应作为声学统计资源，重新界定合规属性并在制度层面明确。两类数据的边界模糊是企业不敢开展基础声学研究的主要原因之一。

授权与撤回机制工程化

儿童语音可撤回、可删除若只能依靠个案人工处理，将长期作为高压线抑制产业投入。主管部门应将授权与撤回做成标准化、可复用的技术组件与接口规范，降低合规执行成本。

独立的第三方评测基准

当前，厂商宣传中普遍出现“儿童语音识别率95%以上”等表述，但缺少第三方验证、年龄分层与噪声条件披露。主管部门应授权具备资质的检测认证机构牵头，建设带年龄分层与场景标注的中文儿童语音评测集，使性能声称可验证、可比较。

纳入国家高质量数据集清单

具身智能、智能驾驶等创新领域已设有数据集专项，儿童交互数据同样具备公共产品属性与规模需求。建议纳入行业高质量数据集建设的重点方向，由具有公共属性的机构牵头建设基础数据集，企业在其上进行微调与场景适配，避免重复采集与合规资源分散。

中国儿童中心儿童人工智能教育研究院在2026年度课题指南中将“儿童AI玩具产业体系与儿童权益保护研究”列为第六板块，其中第三个方向即为“面向儿童AI玩具的高质量数据集建设研究”。这是目前公开的专门针对该缺口的机制设计。

儿童人工智能产品的数据供给约束，本质上是保护性制度确立后，供给侧建设滞后形成的结构性缺口。儿童语音属于不应被无边界采集、无期限持有、无告知使用的数据类型，如果仅施加限制而不提供替代供给，其成本最终将由产品体验承担。在缺乏合规数据来源的情况下，企业不会停止生产儿童AI产品，只会持续生产识别能力不足的产品。由此形成的结局对各方均非最优：儿童数据未被滥用但也未能转化为更好的产品能力。填补这一缺口的关键，不在于放宽保护要求，而在于建立一套可合规供给、可持续运营、可供全行业复用的儿童数据基础设施。

刊载 |《软件和集成电路》杂志2026年10月刊

作者 | 中国儿童中心  王心景、周晓蕾

编辑 | 本刊记者  张楠

美编 | 本刊记者  陈蒙蒙