Meta的基礎人工智能研究（FAIR）團隊近日開源了 Omnilingual ASR，一款創新的自動語音識別系統，能夠轉錄超過1600種口語語言。模型基於PyTorch的fairseq2框架構建，提供了從適用於低功耗設備的3億參數版本到追求“頂級準確度”的70億參數版本。

此舉旨在彌合現有AI工具在語言覆蓋上的巨大差距，正式邁向“通用轉錄系統”的目標。Meta指出，在其支持的1600種語言中，有500種語言此前從未被任何人工智能系統覆蓋。

• 在測試的1600種語言中，系統對78%的語言實現了低於10個字符的錯誤率。
• 對於擁有至少10小時訓練音頻的“資源豐富”語言，這一準確率標準達到了95%的覆蓋。
• 即使是音頻時長不足10小時的“低資源”語言，也有36%的語言錯誤率低於10個字符的閾值，為這些羣體帶來了實用的語音識別功能。

Omnilingual ASR的一個關鍵創新是其“自帶語言”選項，該功能借鑑大型語言模型的情境學習技術。用户只需提供少量的音頻和文本配對樣本，系統即可直接從這些樣本中學習新語言，無需重新訓練或大量的計算資源。

Meta表示，理論上，這一方法有望將Omnilingual ASR的覆蓋範圍擴展到超過5400種語言，遠遠超越了當前的行業標準。

此外，Meta同步發佈了全語言自動語音識別語料庫（Omnilingual ASR Corpus），這是一個包含350種代表性不足語言的大型轉錄語音數據集。該數據以知識共享署名許可協議（CC-BY）發佈，旨在幫助全球開發者調整語音識別模型，以滿足特定的本地化需求。