在7000多種人類語言中，只有少數被現代語音技術聽見，如今這種不平等或將被打破。Meta發布的Omnilingual ASR系統能識別1600多種語言，並可通過少量示例快速學會新語言。以開源與社區共創為核心，這項技術讓每一種聲音都有機會登上AI的舞台。

你或許很難想象，在世界上7000多種活躍語言中，只有幾百種享受過現代語音技術的「寵愛」。

絕大多數人類語言的使用者——從非洲部落的土著、亞馬遜雨林的族羣，到鄉野小鎮仍講着古老方言的老人—— 一直生活在數字時代的旁白之外。

語音助手、自動字幕、實時翻譯，這些AI帶來的便利彷彿只為少數「主流」語言而生，其餘的語言社區仍被擋在技術大門之外。

這種數字鴻溝如今迎來了破局者。

Meta人工智能研究團隊日前發布了Omnilingual ASR系統，一個可自動識別轉錄1600多種語言語音的AI模型族，讓幾乎所有人類語言都能被機器「聽懂」。

這套系統以開源方式共享給全世界，並能由社區親手拓展新的語言，讓每一種聲音都有機會登上AI的舞台。

1600種語言，只是開始

Meta此次推出的Omnilingual ASR創造了語音識別覆蓋語言數量的新紀錄，支持超過1600種語言，其中包括500種此前從未被任何AI系統轉錄過的語言。

相比之下，OpenAI開源的Whisper模型只支持99種語言，而Omnilingual ASR幾乎將這一數字提升了一個數量級。

對於全球衆多使用小語種的人來說，這無疑是一次「數字雪恥」：他們的母語第一次有了被AI流利聽懂的可能性。

這套系統的識別性能在很多語種上已達到領先水平。

據Meta提供的數據，在所測試的1600多種語言中，有78%的語種其識別錯誤率（CER）低於10%，若以10小時以上語音數據訓練的語種來看，這一比例更是達到95%。

即使對於訓練語料極其稀少的低資源語言，仍有36%實現了CER低於10%的效果。

這些數字意味着，Omnilingual ASR不僅覆蓋面廣，而且在大多數語言上都能給出實用且高質量的轉錄結果。

然而，1600種語言還不是Omnilingual ASR的終點。

更大的意義在於，它打破了以往ASR模型支持語言範圍固定死板的侷限，讓語言覆蓋從「定量」走向「可擴展」。

Omnilingual ASR借鑑了大語言模型（LLM）的思路，引入了零樣本的「上下文學習」機制。

這意味着即便某種語言最初不在支持列表中，用戶也可以通過提供幾段該語言的音頻和對應文本作為示例，在推理過程中即時讓模型學會一種新語言。

無需耗費數月收集大型語料、無需專業深度學習訓練，只需簡單的少樣本學習（few-shot）即可學會新語言。

憑藉這種革新性的範式，Omnilingual ASR的潛在語言覆蓋能力驟然擴張。

官方表示，理論上該系統可以擴展到超過5400種語言，幾乎涵蓋所有有文字記錄的人類語言！

無論多冷門的口語，只要有對應的書寫體系和幾句示例，它就有機會被Omnilingual ASR捕捉記錄。

在AI語音識別領域，這是從靜態封閉走向動態自適應的範式轉變——模型不再束縛於訓練時預設的語言清單，而成為一個靈活開放的框架，鼓勵各地社區自行加入新語言。

對於那些長期缺席於技術版圖的族羣來說，這無異於掌握了一把可以隨時親手「解鎖」新語言的大門鑰匙。

開源與社區，打破語言鴻溝

Omnilingual ASR的另一個顯著特點在於其開源和社區驅動的屬性。

Meta選擇將這一龐大的多語種ASR系統在GitHub上完全開源，採用Apache 2.0許可發布模型和代碼。

無論是研究人員、開發者還是企業機構，都可以免費使用、修改、商用這套模型，而無需擔心繁瑣的授權限制。

對比此前一些AI模型帶有附加條款的「半開源」模式，Omnilingual ASR的開放姿態可謂十分坦蕩，為技術民主化樹立了榜樣。

為了讓各語言社區都能受益，Meta不僅開放了模型，還同步釋放了一個巨大的多語言語音數據集——Omnilingual ASR語料庫。

該語料庫包含了350種語料稀缺的語言的轉錄語音數據，覆蓋了許多以前在數字世界中「失聲」的語言。

所有數據以CC-BY協議開放提供。

開發者和學者可以利用這些寶貴資源，去訓練改進適合本地需求的語音識別模型。

這一舉措無疑將幫助那些缺乏大規模標註語料的語言跨越數據門檻，讓「小語言」也有大作為的機會。

Omnilingual ASR能夠囊括前所未有的語言廣度，離不開全球合作的支撐。

在開發過程中，Meta與各地的語言組織和社區攜手收集了大量語音樣本。

他們與Mozilla基金會的Common Voice項目、非洲的Lanfrica/NaijaVoices等機構合作，從偏遠地區招募母語人士錄製語音。

為確保數據多樣且貼近生活，這些錄音往往採用開放式提問，讓說話人自由表達日常想法。

所有參與者都獲得了合理報酬，並遵循文化敏感性的指導進行採集。

這種社區共創的模式賦予了Omnilingual ASR深厚的語言學知識和文化理解，也彰顯了項目的人文關懷：技術開發並沒有也不應該居高臨下地「拯救」小語種，而是與當地社區合作，讓他們自己成為語言數字化的主角。

技術規格上，Meta提供了一系列不同規模的模型以適配多樣化的應用場景：從參數量約3億的輕量級模型（適合手機等低功耗設備）到高達70億參數的強力模型（追求極致準確率）一應俱全。

模型架構採用自監督預訓練的wav2vec 2.0語音編碼器（拓展到70億參數規模）提取通用音頻特徵，並結合兩種解碼器策略：一種是傳統的CTC解碼，另一種則是融入Transformer的大模型文本解碼器，後者賦予了模型強大的上下文學習能力。

龐大的模型需要海量數據來支撐——Omnilingual ASR訓練使用了超過430萬小時的語音音頻，涵蓋1239種語言的素材。

這是有史以來最大規模、多樣性最高的語音訓練語料之一。如此大體量的數據加上社區貢獻的長尾語言語料，確保了模型對各種語言都學到穩健的語音表示，甚至對完全沒見過的語言也有良好的泛化基礎。

正如研究論文所指出的，「沒有任何模型能預先涵蓋世界上所有語言，但Omnilingual ASR讓社區能夠用自己的數據持續拓展這份清單」。

這標誌着語音AI從此具備了自我生長的生命力，能夠與人類語言的豐富多樣性共同進化。

當技術放下傲慢，以開源姿態擁抱多元，當每一種語言的聲音都有機會被聆聽和記錄，當沒有任何一種語言被數字世界遺忘，我們離真正消弭語言鴻溝又近了一大步，人類的連接才能真正開始消除邊界。

參考資料：

https://ai.meta.com/blog/omnilingual-asr-advancing-automatic-speech-recognition