在7000多种人类语言中，只有少数被现代语音技术听见，如今这种不平等或将被打破。Meta发布的Omnilingual ASR系统能识别1600多种语言，并可通过少量示例快速学会新语言。以开源与社区共创为核心，这项技术让每一种声音都有机会登上AI的舞台。

你或许很难想象，在世界上7000多种活跃语言中，只有几百种享受过现代语音技术的“宠爱”。

绝大多数人类语言的使用者——从非洲部落的土著、亚马逊雨林的族群，到乡野小镇仍讲着古老方言的老人—— 一直生活在数字时代的旁白之外。

语音助手、自动字幕、实时翻译，这些AI带来的便利仿佛只为少数“主流”语言而生，其余的语言社区仍被挡在技术大门之外。

这种数字鸿沟如今迎来了破局者。

Meta人工智能研究团队日前发布了Omnilingual ASR系统，一个可自动识别转录1600多种语言语音的AI模型族，让几乎所有人类语言都能被机器“听懂”。

这套系统以开源方式共享给全世界，并能由社区亲手拓展新的语言，让每一种声音都有机会登上AI的舞台。

1600种语言，只是开始

Meta此次推出的Omnilingual ASR创造了语音识别覆盖语言数量的新纪录，支持超过1600种语言，其中包括500种此前从未被任何AI系统转录过的语言。

相比之下，OpenAI开源的Whisper模型只支持99种语言，而Omnilingual ASR几乎将这一数字提升了一个数量级。

对于全球众多使用小语种的人来说，这无疑是一次“数字雪耻”：他们的母语第一次有了被AI流利听懂的可能性。

这套系统的识别性能在很多语种上已达到领先水平。

据Meta提供的数据，在所测试的1600多种语言中，有78%的语种其识别错误率（CER）低于10%，若以10小时以上语音数据训练的语种来看，这一比例更是达到95%。

即使对于训练语料极其稀少的低资源语言，仍有36%实现了CER低于10%的效果。

这些数字意味着，Omnilingual ASR不仅覆盖面广，而且在大多数语言上都能给出实用且高质量的转录结果。

然而，1600种语言还不是Omnilingual ASR的终点。

更大的意义在于，它打破了以往ASR模型支持语言范围固定死板的局限，让语言覆盖从“定量”走向“可扩展”。

Omnilingual ASR借鉴了大语言模型（LLM）的思路，引入了零样本的“上下文学习”机制。

这意味着即便某种语言最初不在支持列表中，用户也可以通过提供几段该语言的音频和对应文本作为示例，在推理过程中即时让模型学会一种新语言。

无需耗费数月收集大型语料、无需专业深度学习训练，只需简单的少样本学习（few-shot）即可学会新语言。

凭借这种革新性的范式，Omnilingual ASR的潜在语言覆盖能力骤然扩张。

官方表示，理论上该系统可以扩展到超过5400种语言，几乎涵盖所有有文字记录的人类语言！

无论多冷门的口语，只要有对应的书写体系和几句示例，它就有机会被Omnilingual ASR捕捉记录。

在AI语音识别领域，这是从静态封闭走向动态自适应的范式转变——模型不再束缚于训练时预设的语言清单，而成为一个灵活开放的框架，鼓励各地社区自行加入新语言。

对于那些长期缺席于技术版图的族群来说，这无异于掌握了一把可以随时亲手“解锁”新语言的大门钥匙。

开源与社区，打破语言鸿沟

Omnilingual ASR的另一个显著特点在于其开源和社区驱动的属性。

Meta选择将这一庞大的多语种ASR系统在GitHub上完全开源，采用Apache 2.0许可发布模型和代码。

无论是研究人员、开发者还是企业机构，都可以免费使用、修改、商用这套模型，而无需担心繁琐的授权限制。

对比此前一些AI模型带有附加条款的“半开源”模式，Omnilingual ASR的开放姿态可谓十分坦荡，为技术民主化树立了榜样。

为了让各语言社区都能受益，Meta不仅开放了模型，还同步释放了一个巨大的多语言语音数据集——Omnilingual ASR语料库。

该语料库包含了350种语料稀缺的语言的转录语音数据，覆盖了许多以前在数字世界中“失声”的语言。

所有数据以CC-BY协议开放提供。

开发者和学者可以利用这些宝贵资源，去训练改进适合本地需求的语音识别模型。

这一举措无疑将帮助那些缺乏大规模标注语料的语言跨越数据门槛，让“小语言”也有大作为的机会。

Omnilingual ASR能够囊括前所未有的语言广度，离不开全球合作的支撑。

在开发过程中，Meta与各地的语言组织和社区携手收集了大量语音样本。

他们与Mozilla基金会的Common Voice项目、非洲的Lanfrica/NaijaVoices等机构合作，从偏远地区招募母语人士录制语音。

为确保数据多样且贴近生活，这些录音往往采用开放式提问，让说话人自由表达日常想法。

所有参与者都获得了合理报酬，并遵循文化敏感性的指导进行采集。

这种社区共创的模式赋予了Omnilingual ASR深厚的语言学知识和文化理解，也彰显了项目的人文关怀：技术开发并没有也不应该居高临下地“拯救”小语种，而是与当地社区合作，让他们自己成为语言数字化的主角。

技术规格上，Meta提供了一系列不同规模的模型以适配多样化的应用场景：从参数量约3亿的轻量级模型（适合手机等低功耗设备）到高达70亿参数的强力模型（追求极致准确率）一应俱全。

模型架构采用自监督预训练的wav2vec 2.0语音编码器（拓展到70亿参数规模）提取通用音频特征，并结合两种解码器策略：一种是传统的CTC解码，另一种则是融入Transformer的大模型文本解码器，后者赋予了模型强大的上下文学习能力。

庞大的模型需要海量数据来支撑——Omnilingual ASR训练使用了超过430万小时的语音音频，涵盖1239种语言的素材。

这是有史以来最大规模、多样性最高的语音训练语料之一。如此大体量的数据加上社区贡献的长尾语言语料，确保了模型对各种语言都学到稳健的语音表示，甚至对完全没见过的语言也有良好的泛化基础。

正如研究论文所指出的，“没有任何模型能预先涵盖世界上所有语言，但Omnilingual ASR让社区能够用自己的数据持续拓展这份清单”。

这标志着语音AI从此具备了自我生长的生命力，能够与人类语言的丰富多样性共同进化。

当技术放下傲慢，以开源姿态拥抱多元，当每一种语言的声音都有机会被聆听和记录，当没有任何一种语言被数字世界遗忘，我们离真正消弭语言鸿沟又近了一大步，人类的连接才能真正开始消除边界。

参考资料：

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