Accenten en bias in stembiometrie aanpakken
October 15, 2025
•min read
AI-onderzoek
Figuur 1: De wereldwijde diversiteit van stemmen in kaart gebracht
De “accentkloof”
Historisch gezien werkte spraakherkenning uitstekend voor “General American”- of “Received Pronunciation”-accenten (Brits).
Voor niet-moedertaalsprekers, regionale dialecten of AAVE faalde ze jammerlijk.
Waarom? Supervised learning leunde op gelabelde datasets (meestal ingesproken door betaalde acteurs in studio’s).
De opkomst van self-supervised learning (SSL)
Moderne modellen (zoals Wav2Vec 2.0 en HuBERT) hebben geen labels nodig.
Ze trainen op 100,000+ uur willekeurige internetaudio (YouTube, podcasts, radio) in 100+ talen.
Fysica leren, geen uitspraak
Oude modellen leerden “hoe je ‘Hello’ uitspreekt”.
Nieuwe modellen leren “hoe je stemkanaal resoneert”.
- Uitspraak is aangeleerd (varieert per cultuur/accent).
- De fysica van het stemkanaal is biologisch (uniek voor jou).
Door te focussen op de fysica (timbre, toonhoogte, resonantie) maken we authenticatie taalonafhankelijk.
Eerlijkheid benchmarken
We testen de modellen van IdentityCall ‘26 tegen de “FairVoice”-dataset.
| Accentgroep | Fout-afwijzingsratio (oud) | Fout-afwijzingsratio (nieuw) |
|---|---|---|
| VS-moedertaal | 1.2% | 0.8% |
| Spaans accent | 4.5% | 0.9% |
| Aziatisch accent | 5.1% | 1.0% |
De kloof is gedicht. Beveiliging hoort niet te discrimineren.
Inclusief van ontwerp
We “patchen” bias niet zomaar. We bouwen architecturen die de culturele laag van spraak negeren en de menselijke laag verifiëren.
Tags:
