2025年11月11日消息，Meta AI FAIR团队发布了其在自动语音识别（ASR）领域的最新成果：Omnilingual ASR。这是一个模型套件，能为超过1600种语言提供自动语音识别能力，其规模和质量都达到了新的水平。该框架被设计为社区驱动，世界各地的人们只需提供少量自己的样本，就能将Omnilingual ASR扩展到新的语言。

同时开源的，还有一系列相关：Omnilingual ASR Corpus：一个包含350种服务欠缺语言的转录语音的大型数据集；Omnilingual wav2vec 2.0：一个扩展到70亿参数的、大规模多语言语音表征模型；语言探索Demo：一个可供人们探索模型所覆盖语言的演示。

目前，大多数ASR系统都集中在互联网上资源丰富的一小部分语言上，这加剧了低资源语言使用者面临的数字鸿沟。Meta FAIR团队推出的Omnilingual ASR，旨在通过一个通用转录系统，让高质量的语音转文本技术能够惠及代表性最不足的语言社区。其最终目标是打破语言障碍，实现跨语言和文化背景的交流。

尽管ASR技术近年来在许多高资源语言上已接近完美，但扩大语言覆盖范围一直是一项资源密集型任务，现有AI架构对数据的需求过高，难以实现通用扩展。Omnilingual ASR通过引入两种架构变体来解决这一研究瓶颈。首先，团队首次将其wav2vec 2.0语音编码器扩展到70亿参数，从原始、未转录的语音数据中生成了丰富的、大规模多语言语义表征。接着，团队构建了两种解码器变体，将这些表征映射到字符序列：1.一种依赖传统的连接主义时间分类（CTC）目标。2.另一种利用了在LLM中常见的传统Transformer解码器。这种被称为LLM-ASR的方法，在ASR性能上实现了阶段性提升，尤其是在长尾语言上。结果显示，其7B-LLM-ASR系统在超过1600种语言上达到了SOTA性能，其中78%的语言字符错误率（CER）低于10。

除了扩展到1600多种语言外，Omnilingual ASR还改变了引入新语言的范式。在大多数现有系统中，添加新语言需要专家驱动的微调。而Omnilingual ASR引入了首个能够仅凭少量上下文示例就扩展到全新语言的大规模ASR框架。这得益于其受LLM启发的系统，该系统从大语言模型领域引入了上下文学习能力。在实践中，这意味着一个使用不支持语言的用户，只需提供少数几个成对的音频-文本样本，就能获得可用的转录质量——无需大规模训练数据、专业知识或高端计算资源。