meta基礎(chǔ)人工智能研究團(tuán)隊(duì)FAIR近日宣布推出一項(xiàng)名為“全語種自動語音識別系統(tǒng)”（Omnilingual ASR）的創(chuàng)新技術(shù)，該系統(tǒng)可支持超過1600種語言的語音轉(zhuǎn)寫功能，顯著擴(kuò)大了現(xiàn)有語音識別技術(shù)的語言覆蓋范圍。這一突破性成果有望為全球語言多樣性保護(hù)與跨語言交流提供重要支持。

傳統(tǒng)語音識別工具主要聚焦于數(shù)百種資源豐富的語言，這些語言擁有大量標(biāo)注音頻數(shù)據(jù)用于模型訓(xùn)練。然而全球現(xiàn)存7000余種語言中，絕大多數(shù)因缺乏訓(xùn)練數(shù)據(jù)而難以獲得人工智能技術(shù)支持。Omnilingual ASR的研發(fā)正是為了填補(bǔ)這一技術(shù)鴻溝，其支持的語種中包含500種此前從未被任何AI系統(tǒng)覆蓋的語言。

系統(tǒng)性能測試數(shù)據(jù)顯示，在1600種測試語言中，78%的語言實(shí)現(xiàn)了字符錯誤率（CER）低于10%的識別精度。當(dāng)訓(xùn)練音頻時長達(dá)到10小時及以上時，這一比例提升至95%；即使對于訓(xùn)練數(shù)據(jù)不足10小時的“低資源語言”，仍有36%達(dá)到相同精度標(biāo)準(zhǔn)。研究團(tuán)隊(duì)強(qiáng)調(diào)，識別準(zhǔn)確率與訓(xùn)練數(shù)據(jù)量呈現(xiàn)顯著正相關(guān)關(guān)系。

為推動技術(shù)普惠應(yīng)用，meta同步開放了“全語種ASR語料庫”（Omnilingual ASR Corpus），該數(shù)據(jù)集包含350種代表性不足語言的轉(zhuǎn)錄語音樣本，采用知識共享署名許可協(xié)議（CC-BY）供全球開發(fā)者與研究人員免費(fèi)獲取。此舉旨在支持針對特定語言需求定制化開發(fā)語音識別模型。

系統(tǒng)核心創(chuàng)新在于“自帶語言”（Bring Your Own Language）功能，該機(jī)制借鑒大型語言模型的上下文學(xué)習(xí)技術(shù)，允許用戶通過提供少量語音-文本配對樣本實(shí)現(xiàn)新語言適配。這種無需重新訓(xùn)練模型的技術(shù)路徑，使得系統(tǒng)理論上可擴(kuò)展至支持5400余種語言，遠(yuǎn)超當(dāng)前行業(yè)水平。雖然極低資源語言的識別質(zhì)量仍待提升，但已為缺乏技術(shù)支撐的語言社區(qū)提供了可行解決方案。

在技術(shù)開源方面，meta以Apache 2.0協(xié)議開放了Omnilingual ASR全部模型代碼，配套數(shù)據(jù)集則采用CC-BY協(xié)議。模型家族提供從3億參數(shù)的輕量級版本到70億參數(shù)的高精度版本，適配從移動設(shè)備到云端服務(wù)的多樣化場景需求。所有模型均基于FAIR自主研發(fā)的PyTorch框架fairseq2構(gòu)建，為開發(fā)者提供了靈活的技術(shù)基礎(chǔ)。