Meta的基础人工智能研究（FAIR）团队近日开源了 Omnilingual ASR，一款创新的自动语音识别系统，能够转录超过1600种口语语言。模型基于PyTorch的fairseq2框架构建，提供了从适用于低功耗设备的3亿参数版本到追求“顶级准确度”的70亿参数版本。

此举旨在弥合现有AI工具在语言覆盖上的巨大差距，正式迈向“通用转录系统”的目标。Meta指出，在其支持的1600种语言中，有500种语言此前从未被任何人工智能系统覆盖。

• 在测试的1600种语言中，系统对78%的语言实现了低于10个字符的错误率。
• 对于拥有至少10小时训练音频的“资源丰富”语言，这一准确率标准达到了95%的覆盖。
• 即使是音频时长不足10小时的“低资源”语言，也有36%的语言错误率低于10个字符的阈值，为这些群体带来了实用的语音识别功能。

Omnilingual ASR的一个关键创新是其“自带语言”选项，该功能借鉴大型语言模型的情境学习技术。用户只需提供少量的音频和文本配对样本，系统即可直接从这些样本中学习新语言，无需重新训练或大量的计算资源。

Meta表示，理论上，这一方法有望将Omnilingual ASR的覆盖范围扩展到超过5400种语言，远远超越了当前的行业标准。

此外，Meta同步发布了全语言自动语音识别语料库（Omnilingual ASR Corpus），这是一个包含350种代表性不足语言的大型转录语音数据集。该数据以知识共享署名许可协议（CC-BY）发布，旨在帮助全球开发者调整语音识别模型，以满足特定的本地化需求。