「【新智元导读】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：
