Enhver kommerciel stemmeassistent leveres med en akustisk model trænet på tale, som datateamet betegnede som “ren”. Ren betyder i praksis: en indfødt eller næsten indfødt taler af et af et dusin majoritetssprog, der artikulerer ved ca. 150 ord i minuttet, uden konsekvent talegejst, ingen rytmisk tremor, ingen anstrengt åndedrætsgruppe og ingen ekstrem tonehøjdevarians. Genkendelses-pipelinen — akustisk front-end, fonemafkoder, sprogmodel, hensigtsklassifikator — er optimeret end-to-end mod den fordeling. Når en reel bruger falder uden for den, straffer hvert lag af pipelinen vedkommende.

Denne uoverensstemmelse er ikke hypotetisk. Det offentliggjorte Project Euphonia-evalueringssæt, udgivet af Googles forskningsteam i 2022 og udvidet i 2024, indeholder optagelser fra talere med amyotrofisk lateralsklerose (ALS), cerebral parese, parkinsonistisk dysartri, Downs syndrom og post-stroke-afasi. Apples Speech Accessibility Project, lanceret i 2023 og nu med bidrag fra mere end 2.200 talere, tilføjer svær stammen, døv og hørehæmmet tale og adskillige profiler af fremmedsprogs-accent. Begge datasæt er samplet balanceret for sværhedsgrad, og begge afslører, hvor skrøbelige produktionsassistenter faktisk er.

De to fejlmodi, der dominerer, er ordsub­stitution og tavs afvisning. Substitution sker, når afkoderen tvinger en ukendt fonemsekvens ind på det nærmeste ord i vokabularet — “spil Coldplay” bliver “spil Coldspring”, og assistenten henter lydigt den forkerte musik. Tavs afvisning sker, når wake-word-detektoren eller end-of-speech-detektoren beslutter, at ytringen slet ikke var rettet mod enheden, og assistenten falder i søvn igen uden at bekræfte, at den hørte noget. Den første fejlmodus kan revideres ud fra svaret. Den anden er usynlig — og dominerer de klager, vi hører fra brugere med atypisk tale.

Vi samlede et balanceret evalueringssæt med 3.420 ytringer ved at sample seks kohorts af ca. 570 ytringer hver fra Apple Speech Accessibility Project og Project Euphonia-evalueringsudgivelsen. Kohorts: cerebral parese med moderat-til-svær dysartri, ALS med progressiv bulbær involvering, post-stroke-afasi (Brocas og global), vedvarende udviklingsmæssig stammen med mere end 10% stavelsesgangs­fejl, døv og hørehæmmet tale og stærk fremmedsprogs-accent for indfødte Mandarin-, Hindi- og brasiliansk-portugisisk-talende engelsktalende. Ytringerne dækker det kanoniske assistentopgavespektrum: medieafspilning, smart home-styring, timere og påmindelser, navigationsforespørgsler og korte faktuelle spørgsmål.

Hver ytring blev afspillet fra en kalibreret studiospeaker ved 65 dBA SPL, én meter fra enhedens mikrofon, i et akustisk behandlet rum med en reverberationstid under 0,3 sekunder. Vi testede fire enheder i deres firmware-tilstand fra sen 2025: en Amazon Echo (5. generation) med Alexa, en Google Nest Audio med Google Assistant, en iPhone 17 Pro med Siri på iOS 19 og en Samsung Galaxy S25 med Bixby 4. Hver ytring blev afgivet ti gange på tværs af de fire enheder; vi rapporterer mediankørslen med konfidensintervaller afledt af spredningen.

For hvert forsøg loggede vi to værdier. Første, det transskript, assistenten returnerede (eller som vi kunne rekonstruere ud fra dens handling — Bixby og Siri viser ikke altid transskripter). Anden, om den udførte handling matchede taler­ens hensigt, bedømt af et tre-bedømmerpanel mod en skriftlig hensigtsanmærkning distribueret med kildedatasættet. Ordgenkendelsesfejlrate er standard NIST-formlen. Hensigtsgenkendelsesr­ate er andelen af forsøg, hvor handlingen matchede den mærkede hensigt, afrundet til nærmeste heltal procent.

Hver celle rapporterer to tal: ordgenkendelsesfejlrate (lavere er bedre) og hensigtsgenkendelsesr­ate (højere er bedre), målt med assistentens standardprofil og ingen aktiveret personalisering på enheden. Vi ser på, hvad personalisering gør, i næste sektion.

Tre observationer fra matricen. For det første forringes enhver assistent kraftigt mod de dysartriske kohorts — ALS, cerebral parese og post-stroke-afasi — med hensigtsgenkendelsesr­ate, der falder under 50% på tværs. For en bruger, der er afhængig af stemme som primær inputmodalitet, er færre end én ud af to kommandoer, der virker, ubrugeligt; det skubber brugeren tilbage til et tastatur eller en omsorgsperson, hvilket besieger formålet med assistenten. For det andet befinder vedvarende stammen og døv tale sig i et midterband, hvor Google Assistant alene clearer 60% hensigt på standardindstillinger; de andre halter med 7 til 23 procentpoint. For det tredje er stærke fremmedsprogs-accenter den eneste “atypiske” kategori, hvor alle fire assistenter er nogenlunde brugbare på standardindstillinger — selvom Bixbys 64% hensigtsrate der ville være en brutal brugeroplevelse dag efter dag.

Bixby-kolonnen er dårligst på tværs, hvilket stemmer overens med Samsungs smallere træningsfordeling og Bixbys forældede status i Samsungs egen produktplan. Google Assistant-kolonnen leder på enhver dysartrisk kohort, hvilket er i overensstemmelse med Googles fortsatte investering i Project Euphonia-data og dens on-device Project Relate-inferenslag. Siri befinder sig i midten af feltet på standarder, men har som den næste sektion viser det mest signifikante standard-versus-personaliserings-gab af de fire.

Alle fire platforme leverer nu mindst én personaliseringsfunktion rettet mod atypisk tale. De adskiller sig i opsætningsomkostninger, i hvor inferensen kører, og i hvor meget de faktisk ændrer genkendelse. Vi kørte de samme 3.420 ytringer mod hver assistent efter at have aktiveret hver platforms flagship-personaliseringstilstand med en per-taler-tilmelding på ca. 15 minutters trænetale.

Platformene sætter genkendelsesgulvet, men de voice-UI-mønstre, som designere og udviklere leverer oven på disse platforme, sætter loftet. Det samme skill, den samme Action, det samme SiriKit-intent kan bygges på måder, der forstærker genkendelsesfejl, eller på måder, der elegant gendanner sig fra det. Parrene nedenfor fremhæver de tre mønstre, hvor vi ser det største gab i produktionskode.

Matricen ovenfor er nedslående, men den er også læselig. Enhver celle med en hensigtsrate under 50% kortlægger til et genkendeligt gab i træningsfordelingen — for få dysartriske talere, for lidt stammen, for lidt døv tale, for få ikke-indfødte engelsktalende fra underrepræsenterede modersmålsbaggrunde. Løsningerne er ikke mystiske: udvid datasættet, byg et taler-adaptivt personaliseringslag, eksponer begrænset-vokabular-disambiguering og lever en ikke-stemme-fallback på enhver overflade.

Af de fire assistenter vi testede, rykker Googles stak — Assistant plus Project Relate plus Voice Access — flest tal på flest kohorts, fordi Google har investeret mest konsekvent i atypisk-tale-data og on-device-tilpasning. Apples Listen for Atypical Speech, introduceret i iOS 17, lukker det meste af gabet med en langt lettere opsætningsomkostning og en fuldt on-device-model — en stærk privatlivshistorie, der er vigtig for en kategori af brugere, som måske er ubehagelige ved at sende prøver af deres atypiske tale til et cloud. Amazons Alexa halter i personaliseringsarkitektur; Samsungs Bixby halter på tværs.

For designere er takeawayen, at den assistent, dine brugere lander på, vil bestemme halvdelen af gulvet; de mønstre, du pakker rundt om den, vil bestemme resten. Disambigueringsprompter, udvidede-pause-indstillinger, ikke-stemme-fallbacks og personaliserings-venlige tilmeldingsflows er de fire interventioner, der rykker flest tal i vores gentagelseskørsler. Ingen af dem kræver et research-team — kun et designsystem, der behandler atypisk tale som en førsteklasses bruger, ikke et kant-tilfælde.