يفرغ Omnilingual ASR من Meta أكثر من 1,600 لغة نصيا، منها أكثر من 500 لغة لم يخدمها أي نظام للتعرف على الكلام من قبل (Meta FAIR، Omnilingual ASR 2025)، ومع ذلك فهذا أقل من ربع اللغات الحية البالغ عددها 7,170 في طبعة 2026 من Ethnologue. وقبل عامين كان المرجع هو Whisper، الذي دُرّب على 680,000 ساعة منها 117,000 ساعة فقط موزعة على 96 لغة غير الإنجليزية (OpenAI، ورقة Whisper 2022). أما أكبر مجموعة بيانات مفتوحة قائمة على المساهمة الجماعية، Mozilla Common Voice، فتغطي اليوم 289 لغة و38,932 ساعة (Common Voice 24.0، 2025)، وأسرع المنتجات نموا، من الترجمة الفورية إلى الإملاء الصوتي، تقوم كلها على هذه النماذج التأسيسية، كما يتتبع ذلك أيضا استعراضنا لـ إحصائيات تحويل الكلام إلى نص. جمعنا البيانات من Meta FAIR وOpenAI وGoogle Research وEthnologue وUNESCO وMozilla وNVIDIA وHugging Face وPNAS وMarketsandMarkets ومصادر أولية أخرى مذكورة في المنهجية.
أبرز النقاط
- يغطي Omnilingual ASR أكثر من 1,600 لغة، منها أكثر من 500 لغة لم يخدمها التعرف الآلي على الكلام من قبل (Meta FAIR، Omnilingual ASR 2025).
- يمكن للتعلم السياقي بدون أمثلة مسبقة أن يوسع Omnilingual ASR ليشمل أكثر من 5,400 لغة (Meta، نوفمبر 2025).
- هناك 7,170 لغة حية، بزيادة صافية قدرها 11 لغة في عام واحد (Ethnologue، الطبعة التاسعة والعشرون 2026).
- 40% من سكان العالم لا يحصلون على التعليم بلغة يفهمونها (تقرير UNESCO GEM لعام 2025).
- يحدد MMS من Meta هوية 4,017 لغة منطوقة ويفرغ 1,107 لغات نصيا (Meta، ورقة MMS 2023).
- دُرّب USM من Google على 12 مليون ساعة من الكلام عبر أكثر من 300 لغة (Google Research 2023).
- دُرّب Whisper large-v3 على نحو 5 ملايين ساعة، منها 4 ملايين ساعة بوسم زائف (OpenAI، نوفمبر 2023).
- ينخفض معدل خطأ الكلمات في Whisper إلى النصف مع كل زيادة قدرها 16 ضعفا في بيانات التدريب لكل لغة (OpenAI، ورقة Whisper 2022).
- Common Voice 24.0: 38,932 ساعة عبر 289 لغة (Mozilla، ديسمبر 2025).
- معدل خطأ الأحرف أقل من 10 في 78% من لغات Omnilingual ASR (Meta، نوفمبر 2025).
- يدعم Gemini 3.5 Live Translate أكثر من 70 لغة وأكثر من 2,000 تركيبة لغوية في اتصال Meet واحد (Google، يونيو 2026).
- سجل المتحدثون السود متوسط WER بلغ 0.35 مقابل 0.19 للمتحدثين البيض عبر خمسة أنظمة تجارية (PNAS، 2020).
1. فجوة اللغات: 7,170 لغة، يُخدم منها بضع مئات
المقام مهم. تحصي الطبعة التاسعة والعشرون من Ethnologue ما مجموعه 7,170 لغة حية، بزيادة صافية قدرها 11 لغة عن العام السابق بعد أكثر من 8,000 تحديث لقاعدة البيانات، مع إعادة تصنيف ثماني لغات من منقرضة إلى حية (Ethnologue، مرحبا بالطبعة التاسعة والعشرين، فبراير 2026). وقبل عام 2023، كما أشار فريق MMS، لم تكن أنظمة الكلام السائدة تتعامل إلا مع نحو 100 لغة منها. وحتى بعد القفزة إلى أكثر من 1,600 لغة، لا تزال نحو ثلاث من كل أربع لغات حية بلا نظام جاهز للتعرف على الكلام.
هذه الفجوة ليست أكاديمية. فقد أفاد فريق UNESCO لرصد التعليم العالمي بأن 40% من سكان العالم لا يحصلون على التعليم بلغة يفهمونها، وترتفع هذه النسبة إلى 90% في بعض البلدان منخفضة ومتوسطة الدخل (تقرير UNESCO GEM، اللغات مهمة). وتقنية الكلام التي تتجاوز هذه اللغات تتجاوز أيضا الأشخاص الذين تهمهم واجهات الصوت أكثر من غيرهم، وهو موضوع نتناوله في إحصائيات اللغات المهددة بالانقراض من زاوية الحفاظ عليها.
| المقياس | القيمة | المصدر |
|---|---|---|
| اللغات الحية، 2026 | 7,170 (زيادة صافية 11 في عام واحد) | Ethnologue، الطبعة التاسعة والعشرون 2026 |
| اللغات الحية، 2025 | 7,159 | Ethnologue، الطبعة الثامنة والعشرون 2025 |
| اللغات المهددة بالانقراض | 3,193 (45% من اللغات الحية) | Ethnologue، الطبعة الثامنة والعشرون 2025 |
| اللغات ‘المحتضرة’ | 1,030 (14%) | Ethnologue، الطبعة الثامنة والعشرون 2025 |
| السكان الذين لا يحصلون على التعليم بلغة يفهمونها | 40% (حتى 90% في بعض البلدان منخفضة ومتوسطة الدخل) | تقرير UNESCO GEM لعام 2025 |
| اللغات التي كانت تغطيها أنظمة الكلام النموذجية قبل MMS | نحو 100 | Meta، ورقة MMS 2023 |
| اللغات التي لم يخدمها التعرف الآلي على الكلام من قبل وأضافها Omnilingual ASR | أكثر من 500 | Meta FAIR، Omnilingual ASR 2025 |
ملاحظة سياقية: أعداد اللغات المهددة بالانقراض والمحتضرة مأخوذة من طبعة 2025 كما لخصتها التقارير العامة؛ أما أرقام Ethnologue الكاملة فتقع خلف اشتراكه المدفوع. وتقرن UNESCO رقم 40% بعقوبات تعليمية كبيرة: ففي هندوراس، حقق 94% من تلاميذ الصف السادس الذين يتحدثون لغة التدريس أساسيات القراءة، مقابل 62% ممن لا يتحدثونها.
2. سباق التغطية: كم لغة يتعامل معها كل نموذج
قفزت أعداد اللغات بمقدار رتبة حجم كاملة في ثلاث سنوات. يحدد MMS من Meta هوية 4,017 لغة ويفرغ نصيا ويركّب كلاما بـ 1,107 لغات، وقد بُني في معظمه من تسجيلات للعهد الجديد، مع نماذج مدربة مسبقا تغطي 1,406 لغات (MMS: Scaling Speech Technology to 1,000+ Languages). ثم دفع Omnilingual ASR التفريغ النصي إلى ما فوق 1,600 لغة، ومن خلال التعلم السياقي بدون أمثلة مسبقة انطلاقا من بضعة أمثلة مزدوجة، يدّعي مدى محتملا يتجاوز 5,400 لغة (Meta AI، إعلان Omnilingual ASR).
المنتجات التجارية أكثر تحفظا بكثير، والفجوة تكشف أين يقع مستوى الجودة المطلوب. يسرد Chirp 3 من Google Cloud ما مقداره 24 لغة تفريغ نصي متاحة عموما و76 لغة في المعاينة (Google Cloud، وثائق Chirp 3)، بينما تدّعي نماذج الأبحاث المئات. وتقع ترجمة الكلام في موضع وسط: فنموذج SeamlessM4T من Meta يستقبل الكلام بـ 101 لغة لكنه لا ينطق إلا بـ 36 (Nature، ترجمة مشتركة للكلام والنص آليا لما يصل إلى 100 لغة)، وهو تذكير بأن توليد الكلام أصعب من التعرف عليه.
| المقياس | القيمة | المصدر |
|---|---|---|
| التفريغ النصي في Omnilingual ASR | أكثر من 1,600 لغة | Meta FAIR، نوفمبر 2025 |
| مدى Omnilingual ASR المحتمل عبر التعلم بدون أمثلة مسبقة | أكثر من 5,400 لغة | Meta، نوفمبر 2025 |
| MMS: تحديد اللغة / التعرف على الكلام وتركيبه / التدريب المسبق | 4,017 / 1,107 / 1,406 لغة | Meta، ورقة MMS 2023 |
| تغطية التدريب المسبق في Google USM | أكثر من 300 لغة | Google Research، مارس 2023 |
| Whisper large-v3 | 99 لغة | Hugging Face Open ASR Leaderboard 2025 |
| ترجمة الكلام إلى كلام في SeamlessM4T | 101 لغة إدخال و36 لغة إخراج | Meta، Nature 2025 |
| التفريغ النصي في Google Chirp 3 | 24 لغة متاحة عموما + 76 لغة معاينة | وثائق Google Cloud 2026 |
| تضمينات الكلام في Meta OmniSONAR | 177 لغة منطوقة في فضاء دلالي من 200 لغة | Meta، ورقة OmniSONAR 2026 |
عبرت الترجمة الفورية إلى تطبيقات السوق الواسعة. يكتشف Gemini 3.5 Live Translate أكثر من 70 لغة ويدعم أكثر من 2,000 تركيبة لغوية في جلسة Google Meet واحدة، بعد أن كانت خمس لغات فقط (Google، Gemini 3.5 Live Translate، يونيو 2026). وتقول Google إن الناس يترجمون نحو تريليون كلمة شهريا عبر Translate وSearch وLens وCircle to Search (Google، أغسطس 2025). وتجد المزيد عن الاعتماد على مستوى الأجهزة في إحصائيات الترجمة من الكلام إلى الكلام.
| المقياس | القيمة | المصدر |
|---|---|---|
| لغات Gemini 3.5 Live Translate | أكثر من 70 | Google، يونيو 2026 |
| التركيبات اللغوية في اتصال Meet واحد | أكثر من 2,000 (كانت 5 لغات سابقا) | Google، يونيو 2026 |
| لغات المحادثة المباشرة في Google Translate | أكثر من 70 | Google، أغسطس 2025 |
| الكلمات المترجمة شهريا عبر منتجات Google | نحو تريليون | Google، أغسطس 2025 |
| أحجام نماذج Mistral Voxtral المفتوحة الأوزان | 24 مليار و3 مليارات معامل | Mistral AI، يوليو 2025 |
| أقصى مدة صوت في Voxtral | 30 دقيقة للتفريغ النصي، 40 دقيقة للفهم | Mistral AI، يوليو 2025 |
3. حجم بيانات التدريب: من 680,000 ساعة إلى 12 مليون
نمت ميزانية البيانات خلف هذه النماذج أسرع بكثير من أعداد اللغات. دُرّب نموذج الكلام العالمي Universal Speech Model من Google على 12 مليون ساعة من الكلام و28 مليار جملة نصية، بمعاملات يبلغ عددها مليارين (Google Research، USM)، أي نحو 18 ضعف المجموعة الأصلية لـ Whisper. أما OpenAI نفسها فانتقلت من 680,000 ساعة إلى نحو 5 ملايين لنموذج Whisper large-v3، منها 4 ملايين ساعة وُسمت وسما زائفا بواسطة النموذج السابق (OpenAI، ملاحظات إصدار large-v3).
التوزيع داخل هذه المجموعات هو القصة الحقيقية. فساعات Whisper الأصلية البالغة 680,000 ضمت 117,000 ساعة عبر 96 لغة غير الإنجليزية و125,000 ساعة من الترجمة إلى الإنجليزية (ورقة Whisper). وبالطرح (680,000 ناقص 117,000 ناقص 125,000)، فإن نحو 438,000 ساعة، أي قرابة 64%، كانت تفريغا نصيا للإنجليزية. وبلغ متوسط المجموعة الموسومة في MMS 32 ساعة فقط لكل لغة، ويبلغ متوسط بيانات Omnilingual ASR المنشورة نحو 10 ساعات مفرغة لكل لغة. فالنماذج الضخمة متعددة اللغات مبنية على ذيل طويل يقاس بالساعات لا بآلاف الساعات.
| المقياس | القيمة | المصدر |
|---|---|---|
| صوت تدريب Whisper | 680,000 ساعة | OpenAI، ورقة Whisper 2022 |
| بيانات التعرف على غير الإنجليزية في Whisper | 117,000 ساعة عبر 96 لغة | OpenAI، ورقة Whisper 2022 |
| بيانات الترجمة من أي لغة إلى الإنجليزية في Whisper | 125,000 ساعة | OpenAI، ورقة Whisper 2022 |
| التفريغ النصي للإنجليزية في Whisper (مشتق) | نحو 438,000 ساعة (نحو 64%) | محسوب من أرقام OpenAI |
| بيانات تدريب Whisper large-v3 | مليون ساعة بوسم ضعيف + 4 ملايين ساعة بوسم زائف | OpenAI، نوفمبر 2023 |
| Google USM | 12 مليون ساعة كلام، 28 مليار جملة نصية، مليارا معامل | Google Research، 2023 |
| التدريب المسبق الذاتي الإشراف في MMS | نحو 500,000 ساعة عبر أكثر من 1,400 لغة | Meta، مايو 2023 |
| البيانات الموسومة في MMS لكل لغة | 32 ساعة في المتوسط | Meta، مايو 2023 |
وتوسع حزمة Meta الأحدث الطرفين معا. فقد درّب Omnilingual ASR مسبقا مشفّر wav2vec 2.0 بسبعة مليارات معامل على 3.84 مليون ساعة عبر 1,239 لغة، إضافة إلى 460,000 ساعة بلا وسم لغوي، وتضم مجموعته الخاضعة للإشراف AllASR ما مقداره 120,710 ساعات عبر 1,690 لغة (ورقة Omnilingual ASR). وتضم أصغر نسخة منشورة 300 مليون معامل، وهي موجهة للأجهزة منخفضة الطاقة.
| المقياس | القيمة | المصدر |
|---|---|---|
| التدريب المسبق غير الموسوم في Omnilingual ASR | 3.84 مليون ساعة، 1,239 لغة | Meta FAIR، ورقة Omnilingual ASR 2025 |
| كلام إضافي غير موسوم بلا تحديد للغة | 460,000 ساعة | Meta FAIR، 2025 |
| مجموعة AllASR الموسومة | 120,710 ساعات، 1,690 لغة | Meta FAIR، 2025 |
| متوسط الكلام المفرغ لكل لغة (البيانات المنشورة) | نحو 10 ساعات | Meta FAIR، 2025 |
| أكبر / أصغر نموذج | 7 مليارات / 300 مليون معامل | Meta FAIR، 2025 |
4. مجموعات البيانات المفتوحة والمعايير خلف النماذج
البيانات المفتوحة هي حيث تُبنى تغطية الذيل الطويل. بلغت مجموعة Mozilla Common Voice Scripted Speech 24.0 ما مقداره 38,932 ساعة عبر 289 لغة، منها 25,886 ساعة تم التحقق منها (منشور إصدار Mozilla Discourse، ديسمبر 2025). وجاءت القفزة الأكبر قبل إصدار واحد، حين أضاف Common Voice 23.0 عدد 149 لغة وضاعف عدده أكثر من مرتين ليبلغ 286 (Mozilla Data Collective). ولم تنمُ الساعات إلا بنحو 8% بين الإصدارين، لذا فإن اللغات الجديدة تصل بقدر ضئيل جدا من الصوت لكل منها.
ويظل التقييم أضيق بكثير من التدريب. فمعيار FLEURS، وهو المعيار القياسي متعدد اللغات، يغطي 102 لغة بنحو 12 ساعة من الكلام لكل لغة (ورقة FLEURS)، ولا يختبر المسار متعدد اللغات في لوحة صدارة Hugging Face Open ASR Leaderboard سوى خمس لغات عبر أكثر من 60 نموذجا من 18 جهة (Hugging Face، Open ASR Leaderboard). ولذلك فإن ادعاءات ‘1,600 لغة’ تُفحص على جزء صغير من هذا العدد.
| المقياس | القيمة | المصدر |
|---|---|---|
| إجمالي ساعات Common Voice 24.0 / الساعات التي تم التحقق منها | 38,932 / 25,886 | Mozilla، ديسمبر 2025 |
| لغات Common Voice 24.0 | 289 | Mozilla، ديسمبر 2025 |
| اللغات المضافة في Common Voice 23.0 | 149 (الإجمالي 286) | Mozilla Data Collective، سبتمبر 2025 |
| الكلام العفوي في Common Voice 23.0 | 357 ساعة عبر 51 لغة | Mozilla Data Collective، سبتمبر 2025 |
| مجموعات بيانات Spontaneous Speech 2.0 | 62 | Mozilla، ديسمبر 2025 |
| معيار FLEURS | 102 لغة، نحو 12 ساعة لكل منها | Conneau وآخرون، FLEURS 2022 |
| مجموعة Omnilingual ASR Corpus | 350 لغة ناقصة الخدمة (CC-BY) | Meta، نوفمبر 2025 |
وحصلت أوروبا على مجموعة مفتوحة كبيرة خاصة بها. تضم Granary من NVIDIA نحو مليون ساعة: ما يقارب 650,000 للتعرف على الكلام وأكثر من 350,000 للترجمة، عبر 25 لغة أوروبية منها الكرواتية والإستونية والمالطية (مدونة NVIDIA، أغسطس 2025). وتفيد الورقة المرافقة، المقبولة في Interspeech 2025، بأن النماذج تبلغ أداء مماثلا بنحو 50% بيانات أقل مقارنة بمجموعات البيانات السابقة (ورقة Granary).
| المقياس | القيمة | المصدر |
|---|---|---|
| إجمالي صوت Granary | نحو مليون ساعة | NVIDIA، أغسطس 2025 |
| تقسيم Granary بين التعرف / الترجمة | نحو 650,000 / أكثر من 350,000 ساعة | NVIDIA، أغسطس 2025 |
| لغات Granary | 25 لغة أوروبية | NVIDIA، أغسطس 2025 |
| البيانات اللازمة مقارنة بمجموعات البيانات السابقة لبلوغ الدقة نفسها | نحو 50% أقل | ورقة Granary، Interspeech 2025 |
| تغطية Open ASR Leaderboard | أكثر من 60 نموذجا، 18 جهة، 11 مجموعة بيانات | Hugging Face، نوفمبر 2025 |
| نماذج ASR المستضافة على Hugging Face Hub | نحو 27,000 | Hugging Face، نوفمبر 2025 |
| اللغات في المسار متعدد اللغات للوحة الصدارة | 5 | Hugging Face، نوفمبر 2025 |
5. الدقة: بيانات كل لغة تتفوق على حجم النموذج
أنفع رقم في هذا المجال هو قانون التدرج. فقد وجد مؤلفو Whisper ارتباطا تربيعيا قدره 0.83 بين لوغاريتم معدل خطأ الكلمات ولوغاريتم ساعات التدريب لكل لغة، مع انخفاض WER إلى النصف عند كل زيادة قدرها 16 ضعفا في البيانات (OpenAI، ورقة Whisper). وبلغت العلاقة نفسها 0.24 فقط في ترجمة الكلام. وبالنسبة إلى لغة لا تتوفر لها سوى 10 ساعات من الصوت، فإن الطريق العملي إلى دقة صالحة للاستخدام هو مزيد من البيانات، لا نموذج أكبر.
وقد جاءت مكاسب التغطية بتكاليف دقة صغيرة بشكل مفاجئ. فقد أفادت Meta بأن توسيع MMS من 61 إلى 1,107 لغات رفع معدل خطأ الأحرف بنحو 0.4% فقط، بينما خفّض MMS إلى النصف معدل خطأ الكلمات لدى Whisper في 54 لغة من FLEURS (Meta AI، إعلان MMS). ويبلغ Omnilingual ASR معدل خطأ أحرف أقل من 10 في 78% من لغاته البالغ عددها أكثر من 1,600. وهذه أرقام مُبلَّغ عنها ذاتيا، لكن كل ادعاء منها مرتبط بمعيار عام.
| المقياس | القيمة | المصدر |
|---|---|---|
| الارتباط بين لوغاريتم WER ولوغاريتم ساعات التدريب (التعرف على الكلام) | R² = 0.83 | OpenAI، ورقة Whisper 2022 |
| الارتباط نفسه في ترجمة الكلام | R² = 0.24 | OpenAI، ورقة Whisper 2022 |
| تحسن WER مع كل زيادة 16 ضعفا في البيانات | ينخفض إلى النصف | OpenAI، ورقة Whisper 2022 |
| MMS مقابل Whisper في 54 لغة من FLEURS | نحو نصف WER | Meta، MMS 2023 |
| زيادة CER عند توسيع MMS من 61 إلى 1,107 لغات | نحو 0.4% | Meta، مايو 2023 |
| لغات Omnilingual ASR ذات CER أقل من 10 | 78% | Meta، نوفمبر 2025 |
| خفض الأخطاء في Whisper large-v3 مقارنة بـ large-v2 | من 10% إلى 20% | OpenAI، نوفمبر 2023 |
وتشير أرقام Google في الاتجاه نفسه. فقد سجل USM معدل WER أقل بنسبة نسبية قدرها 32.7% من Whisper في 18 لغة قابلة للمقارنة، وأقل من 30% متوسط WER عبر 73 لغة من تسميات YouTube التوضيحية، مع خفض نسبي في WER بنسبة 65.8% على FLEURS دون بيانات من المجال نفسه. والكفاءة هي الآن سباق ثان: فنموذج Canary-1b-v2 من NVIDIA بمليار معامل يدّعي جودة مماثلة لنماذج أكبر منه بثلاثة أضعاف مع استدلال أسرع بما يصل إلى 10 أضعاف، وفي لوحة صدارة المقاطع الطويلة سجل Parakeet CTC قيمة RTFx بلغت 2,793.75 مقابل 68.56 لـ Whisper large-v3 (Hugging Face، 2025). وفي أدوات الصوت الفورية، ومنها تلك التي تقف خلف برامج استنساخ الصوت المباشرة، كثيرا ما تكون فجوة الإنتاجية هذه أهم من نقطة واحدة من WER.
| المقياس | القيمة | المصدر |
|---|---|---|
| WER في USM مقابل Whisper، 18 لغة | أقل بنسبة نسبية 32.7% | Google Research، 2023 |
| متوسط WER في USM، 73 لغة من YouTube | أقل من 30% | Google Research، 2023 |
| الخفض النسبي لـ WER في USM على FLEURS (دون بيانات من المجال نفسه) | 65.8% | Google Research، 2023 |
| SeamlessM4T v2 مقابل الأنظمة المتسلسلة | حتى 8% (كلام إلى نص) و23% (كلام إلى كلام) أعلى في BLEU | Meta، Nature 2025 |
| ترجمة OmniSONAR من الكلام إلى نص بدون أمثلة مسبقة | 97% من جودة SeamlessM4T | Meta، OmniSONAR 2026 |
| Canary-1b-v2 مقابل النماذج الأكبر | جودة مماثلة لنماذج أكبر بـ 3 أضعاف، وأسرع حتى 10 أضعاف | NVIDIA، أغسطس 2025 |
| إنتاجية المقاطع الطويلة (RTFx): Parakeet CTC مقابل Whisper large-v3 | 2,793.75 مقابل 68.56 | Hugging Face Open ASR Leaderboard 2025 |
ملاحظة استثنائية: تفيد ورقة OmniSONAR (arXiv، مارس 2026) أيضا بخطأ أقل بنسبة 43% في البحث عن تشابه الكلام مقارنة بالنماذج السابقة، وهو مؤشر على أن فضاءات التضمين المشتركة للكلام والنص أصبحت لبنة بناء قائمة بذاتها.
6. التحيز تجاه النبرات والوصول والرهانات التجارية
تخفي تغطية اللغات فجوة ثانية داخل اللغات ‘المدعومة’. عبر خمسة أنظمة تجارية من Amazon وApple وGoogle وIBM وMicrosoft، بلغ متوسط WER ما مقداره 0.35 للمتحدثين السود مقابل 0.19 للمتحدثين البيض (Koenecke وآخرون، PNAS 2020)، استنادا إلى مقابلات مع 73 متحدثا أسود و42 متحدثا أبيض. وقد مضى عليها أكثر من ثلاث سنوات وتُعرض بوصفها أحدث تدقيق متاح من نوعه. وتصل الأعمال الأحدث إلى استنتاجات مشابهة: فقد وجد AfriSpeech-MultiBench، الذي يغطي أكثر من 100 لكنة للإنجليزية الأفريقية في أكثر من 10 بلدان، أن النماذج المملوكة دقيقة مع الكلام النظيف لكنها تتباين تباينا كبيرا بحسب البلد والمجال، وأن الهلوسات لا تزال مشكلة لدى معظم النماذج الرائدة (arXiv، نوفمبر 2025).
وتواصل الرهانات التجارية ارتفاعها، وإن كان تقدير حجم السوق متفاوتا. تتوقع MarketsandMarkets أن ينمو سوق التعرف على الكلام والصوت من 9.66 مليار دولار في عام 2025 إلى 23.11 مليار دولار بحلول عام 2030، بمعدل نمو سنوي مركب 19.1% (بيان MarketsandMarkets الصحفي)، بينما تقدّر Grand View Research السوق بـ 20.2 مليار دولار في عام 2023 متجها إلى 53.7 مليار دولار بحلول عام 2030 بمعدل 14.6% (Grand View Research). وتشير الشركتان إلى منطقة آسيا والمحيط الهادئ والأسواق الناشئة بوصفها محركات للنمو، وهي بالضبط المناطق التي تكون فيها تغطية اللغات أضعف ما تكون. راجع أيضا إحصائيات الترجمة الآلية للجانب النصي من السوق نفسه.
| المقياس | القيمة | المصدر |
|---|---|---|
| متوسط WER، المتحدثون السود مقابل البيض (5 أنظمة) | 0.35 مقابل 0.19 | Koenecke وآخرون، PNAS 2020 |
| المتحدثون في تدقيق PNAS | 73 أسود، 42 أبيض | Koenecke وآخرون، PNAS 2020 |
| لكنات الإنجليزية الأفريقية التي شملها المعيار | أكثر من 100 في أكثر من 10 بلدان | AfriSpeech-MultiBench، 2025 |
| أساسيات القراءة في الصف الخامس، ساحل العاج: لغة المنزل هي لغة الاختبار مقابل غير ذلك | 55% مقابل 25% | تقرير UNESCO GEM لعام 2025 |
| سوق التعرف على الكلام والصوت، 2025 إلى 2030 | من 9.66 إلى 23.11 مليار دولار (معدل نمو سنوي مركب 19.1%) | MarketsandMarkets، أغسطس 2025 |
| سوق التعرف على الكلام والصوت في الولايات المتحدة، 2025 إلى 2030 | من 3.13 إلى 7.70 مليارات دولار (معدل نمو سنوي مركب 19.7%) | MarketsandMarkets، 2025 |
| سوق التعرف على الصوت والكلام، 2023 إلى 2030 | من 20.2 إلى 53.7 مليار دولار (معدل نمو سنوي مركب 14.6%) | Grand View Research، 2024 |
| حصة أمريكا الشمالية من الإيرادات | 30.8% (2023) | Grand View Research، 2024 |
الخلاصة: نماذج الكلام التأسيسية متعددة اللغات بالأرقام
| المقياس | القيمة | المصدر |
|---|---|---|
| اللغات الحية | 7,170 | Ethnologue، الطبعة التاسعة والعشرون 2026 |
| تغطية Omnilingual ASR | أكثر من 1,600 لغة (أكثر من 500 لم تُخدم من قبل) | Meta FAIR، 2025 |
| مدى Omnilingual ASR المحتمل بدون أمثلة مسبقة | أكثر من 5,400 لغة | Meta، نوفمبر 2025 |
| تحديد اللغة في MMS | 4,017 لغة | Meta، 2023 |
| تغطية Whisper large-v3 | 99 لغة | Hugging Face، 2025 |
| إدخال الكلام / إخراج الكلام في SeamlessM4T | 101 / 36 لغة | Meta، Nature 2025 |
| Gemini 3.5 Live Translate | أكثر من 70 لغة، أكثر من 2,000 تركيبة | Google، يونيو 2026 |
| بيانات تدريب Whisper | 680,000 ساعة (منها 117,000 لغير الإنجليزية) | OpenAI، 2022 |
| بيانات تدريب Whisper large-v3 | نحو 5 ملايين ساعة | OpenAI، 2023 |
| بيانات تدريب Google USM | 12 مليون ساعة، أكثر من 300 لغة | Google Research، 2023 |
| التدريب المسبق لـ Omnilingual ASR | 3.84 مليون ساعة، 1,239 لغة | Meta FAIR، 2025 |
| Common Voice 24.0 | 38,932 ساعة، 289 لغة | Mozilla، ديسمبر 2025 |
| NVIDIA Granary | نحو مليون ساعة، 25 لغة | NVIDIA، أغسطس 2025 |
| معيار FLEURS | 102 لغة، نحو 12 ساعة لكل منها | FLEURS، 2022 |
| WER مقابل البيانات | ينخفض إلى النصف مع كل زيادة 16 ضعفا في البيانات | OpenAI، 2022 |
| لغات Omnilingual ASR ذات CER أقل من 10 | 78% | Meta، نوفمبر 2025 |
| WER في MMS مقابل Whisper، 54 لغة | نحو النصف | Meta، 2023 |
| السكان الذين لا يحصلون على التعليم بلغة يفهمونها | 40% | UNESCO، 2025 |
| فجوة WER، المتحدثون السود مقابل البيض | 0.35 مقابل 0.19 | PNAS، 2020 |
| سوق التعرف على الكلام والصوت، 2030 | 23.11 مليار دولار (MarketsandMarkets) مقابل 53.7 مليار دولار (Grand View) | MarketsandMarkets 2025؛ Grand View Research 2024 |
المنهجية والمصادر
تمت متابعة كل رقم وصولا إلى الجهة التي أنتجته، مع تفضيل الأوراق البحثية وملاحظات الإصدار الرسمية والوثائق على التغطية الصحفية. وادعاءات الدقة من الشركات (Meta وGoogle وOpenAI وNVIDIA وMistral) مُبلَّغ عنها ذاتيا على معايير عامة وقد وُسمت بمصدرها. أما الادعاءات التجارية التي تعذر ربطها برقم منشور، مثل عبارات ‘أدنى WER’ التسويقية غير المقيسة، فقد استُبعدت.
- Ethnologue: مرحبا بالطبعة التاسعة والعشرين (فبراير 2026)
- تقرير UNESCO GEM: 40% لا يحصلون على التعليم بلغة يفهمونها (2025)
- Meta: إعلان MMS (مايو 2023)، ورقة MMS، إعلان Omnilingual ASR (نوفمبر 2025)، ورقة Omnilingual ASR، ورقة OmniSONAR (2026)
- فريق Meta Seamless Communication: ترجمة مشتركة للكلام والنص آليا لما يصل إلى 100 لغة (Nature، 2025)
- OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision (2022)، إصدار Whisper large-v3 (نوفمبر 2023)
- Google: Universal Speech Model (مارس 2023)، وثائق Chirp 3، Gemini 3.5 Live Translate (يونيو 2026)، الترجمة الفورية في Translate (أغسطس 2025)
- Mozilla: إصدار Common Voice 24.0 (ديسمبر 2025)، إصدار Common Voice 23.0 (سبتمبر 2025)
- Conneau وآخرون: FLEURS (2022)
- NVIDIA: إصدار Granary وCanary وParakeet (أغسطس 2025)، ورقة Granary (Interspeech 2025)
- Hugging Face: اتجاهات Open ASR Leaderboard (نوفمبر 2025)
- Mistral AI: Voxtral (يوليو 2025)
- Koenecke وآخرون: Racial disparities in automated speech recognition (PNAS، 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: البيان الصحفي لسوق التعرف على الكلام والصوت (أغسطس 2025)
- Grand View Research: تقرير سوق التعرف على الصوت والكلام (2024)
- ملاحظة حول البيانات: تتضارب تقديرات حجم السوق بشدة. فـ MarketsandMarkets (23.11 مليار دولار بحلول 2030) وGrand View Research (53.7 مليار دولار بحلول 2030) تستخدمان نطاقات وسنوات أساس مختلفة، لذا لا ينبغي حساب متوسط الرقمين أو مقارنتهما بوصفهما اتجاها. وتعود عدة أرقام للنماذج التأسيسية إلى الفترة من 2022 إلى 2023 (Whisper وUSM وMMS وFLEURS) وهي أحدث إفصاحات متاحة لتلك النماذج؛ ولم تنشر Google إجماليات مماثلة لبيانات التدريب لنماذج Gemini الصوتية. وحصة الإنجليزية في بيانات Whisper (نحو 438,000 ساعة، أي 64%) هي عملية طرح أجريناها من الإجماليات التي نشرتها OpenAI، وليست رقما تذكره OpenAI في الملخص. وتأتي أعداد Ethnologue للغات المهددة والمحتضرة لعام 2025 من ملخصات عامة للطبعة الثامنة والعشرين لأن قاعدة البيانات الكاملة مدفوعة. أما تدقيق PNAS بشأن التحيز (2020) فيسبق النماذج التأسيسية الحالية ويُعرض بوصفه أحدث بيانات متاحة؛ ولم يُنشر منذ ذلك الحين تدقيق مماثل في حجمه عبر عدة شركات. وأعداد اللغات غير قابلة للمقارنة بين الشركات: فبعضها يحصي الإعدادات اللغوية الإقليمية وبعضها يحصي اللغات، وتغطية ‘المعاينة’ ليست بجودة الإنتاج.
آخر تحديث: 3 أكتوبر 2026. نحدّث هذا الاستعراض كل ثلاثة أشهر، ومن المتوقع أن يأتي التحديث التالي حين تنشر Mozilla إصدار Common Voice 25.0 وتصدر Ethnologue طبعتها الثلاثين في فبراير 2027.