Meta 发布了一款名为 Omnilingual ASR 的自动语音识别系统，它能够支持超过 1600种语言，包括许多以前从未被 AI 技术转录过的低资源语言。该系统旨在解决现有语音识别技术过度集中于少数主流语言的问题，通过一个庞大的多语言语音模型和社区驱动的框架，让更多语言能够被数字化。其核心目标是打破语言障碍，让全球不同语言和文化背景的人们都能实现无障碍交流。
目前，大多数自动语音识别系统都集中在少数网络上资源丰富的主流语言。这意味着对于那些使用较少见或低资源语言的人来说，高质量的语音转文字服务往往是缺失的，这进一步加剧了数字鸿沟。
超越单纯的多语言支持
传统的语音识别技术在扩展语言覆盖范围时，因其对大量数据的依赖而变得成本高昂。Omnilingual ASR 通过两种创新的架构设计解决了这一难题。
- 模型规模化: 首次将 wav2vec 2.0 语音编码器扩展到 7B（70亿）参数，使其能从未经转录的原始语音数据中提取丰富的多语言语义信息。
- 解码器创新: 开发了两种解码器。其中一种被称为 LLM-ASR，它借鉴了大型语言模型（LLM）的思路，显著提升了语音识别的性能，尤其是在那些数据稀疏的“长尾”语言上。
该系统在超过1600种语言上实现了顶尖的性能，其中 78% 的语言字符错误率（CER）低于10%。
带来你自己的语言：一种新模式
Omnilingual ASR 改变了将新语言纳入语音识别系统的方式。过去，添加一种新语言需要专家进行复杂的微调，这对大多数社区来说是遥不可及的。
现在，该系统引入了 “in-context learning”（情境学习） 的能力。这意味着，一个使用未被支持语言的人，只需提供极少数的“语音-文本”配对样本，就能获得可用的转录质量。这个过程无需大规模训练数据、专业知识或高端计算设备，为将更多语言带入数字世界提供了一条更具扩展性的路径。
一套面向不同场景的工具
Meta 发布了一整套模型和一个数据集，以支持开发者和研究人员为任何语言扩展和改进语音技术。
- 多种模型版本: 提供从适用于低功耗设备的 3亿参数轻量级版本，到提供顶级精度的 70亿参数强大版本。
- 通用语音基础模型: wav2vec 2.0 模型也以不同大小开放，可用于语音识别之外的其他语音相关任务。
- Omnilingual ASR 语料库: 一个包含 350种服务不足语言 的独特转录语音数据集，这也是迄今为止最大的超低资源自发语音识别数据集。
与全球伙伴共同构建
为了覆盖那些几乎没有数字足迹的语言，Meta 与世界各地的本地组织、语言学家和社区合作。这些合作伙伴帮助招募母语者录制语音，并提供了宝贵的语言学知识和文化理解。
通过与 Mozilla 基金会的 Common Voice 等组织合作，该项目能够直接与本地社区协作，确保技术能够满足当地需求，并为全球多样化的语言社区赋权。