Meta推出Omnilingual ASR：支援1600+語言的全球語音AI進入新時代
<div class="field field-name-field-news-column-category field-type-taxonomy-term-reference field-label-hidden"><div class="field-items"><div class="field-item even"><a href="/tags/%E6%96%B0%E8%81%9E">新聞</a></div></div></div><div class="field field-name-body field-type-text-with-summary field-label-hidden"><div class="field-items"><div class="field-item even"> <p><a href="https://ai.meta.com/blog/omnilingual-asr-advancing-automatic-speech-recognition/" target="_blank">Meta周一（11/10）推出全新的Omnilingual AS</a>R（Omnilingual Automatic Speech Recognition，全語言自動語音辨識系統），一次支援超過1600種語言，為目前全球語音AI覆蓋最廣的系統。此技術由Meta FAIR（Fundamental AI Research）所打造，<a href="https://github.com/facebookresearch/omnilingual-asr" target="_blank">並同步開源模型與語料</a>，被視為語音科技全球化最重要的突破之一。</p> <p>Meta表示，語音辨識長期集中於英語、中文、西班牙語等高資源語言，依賴大量人工標註資料，使得全球許多弱勢語言在數位化過程中持續被排除。Meta指出，此落差造成語音AI的全球普及性大幅受限，而Omnilingual ASR正是針對此一根本問題所設計。</p> <p>在Omnilingual ASR支援的1600多種語言中，有249種高資源語言（每語言至少50小時語料）、881種中資源語言（10至50小時），以及546種低資源語言（少於10小時）。換言之，超過8成語言屬於中低資源，是傳統ASR最難處理的領域。當採用目前最強的7B-LLM-ASR模型，高與中資源語言中有95%能實現字元錯誤率（CER）低於10%；在語料稀少的546種低資源語言中，也有195種（36%）能達到CER低於10%。整體而言，在1600多種語言中，78%語言的CER低於10%，顯示模型具高度泛化能力。</p> <p>為支援如此大規模的語言涵蓋，Meta將語音基礎模型wav2vec 2.0擴展至70億參數（7B），並提供CTC（Connectionist Temporal Classification）與基於Transformer架構的大型語言模型式解碼器（LLM-ASR）等兩種解碼架構。後者特別強化長尾語言表現，使模型能在極少語料下依然保持可用準確度。</p> <p>另一項關鍵突破是「Bring Your Own Language（自帶語言）」能力。使用者只需提供少量音訊與文字配對樣本，即可擴展至未支援語言，依靠的正是大型語言模型的情境式學習能力，讓語音辨識能以極低門檻覆蓋更多語言社群。</p> <p>Meta同步釋出Omnilingual ASR Corpus，含350種弱勢語言，由全球母語者錄製，是目前最大的超低資源語音資料集。所有模型以Apache 2.0授權開源，語料則採CC-BY釋出，並與Mozilla Common Voice及Lanfrica等組織合作，使資料更貼近當地語境。</p> <p>Meta表示，Omnilingual ASR的願景是打造全球性的語音基礎設施，讓語音AI不再只屬於主流語言，而能真正服務全球所有語言與文化。</p> </div></div></div>
