Hầu hết các tập dữ liệu giọng nói công cộng đều thiên lệch về tiếng Anh, âm thanh phòng thu và điều kiện ghi âm hoàn hảo. Sự thiên lệch đó thể hiện ở phía sau: Các hệ thống STT và TTS hoạt động kém hiệu quả cho người dùng toàn cầu trong các môi trường thực tế. Đây là một vấn đề về dữ liệu nhiều hơn là một vấn đề về mô hình.