Die Spracherkennungs-Trainingsdaten hinter OpenAIs Whisper umfassten 438.218 Stunden Englisch, aber nur je 0,1 Stunden Laotisch, Sundanesisch und Birmanisch (OpenAI, Whisper-Paper 2022). Dieser Abstand ist der Long Tail der Spracherkennung in einer Zeile, bei 7.170 weltweit gebräuchlichen Sprachen (Ethnologue, How Many Languages 2026). Die Untergrenze für brauchbare Genauigkeit liegt offenbar niedriger, als dieser Abstand vermuten lässt: Eine Studie von 2025 erreichte mit nur 50 Stunden Trainingsdaten eine Wortfehlerrate unter 13% (Akera et al., Datenskalierungsstudie zu Kinyarwanda und Kikuyu 2025). Crowdsourcing schließt einen Teil der Lücke, mit Mozilla Common Voice bei 29.295 validierten Stunden (Mozilla, Common-Voice-Repository cv-dataset 2026). Genauigkeitsunterschiede zwischen Akzenten innerhalb großer Sprachen behandeln unsere Statistiken zur Akzent-Verzerrung in der Spracherkennung; diese Zusammenstellung betrachtet ganze Sprachen. Wir haben Daten von Ethnologue, aus dem OpenAI-Whisper-Paper, aus den MMS- und Omnilingual-ASR-Papers von Meta, aus den USM- und FLEURS-Papers von Google, von Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices sowie aus aktuellen ASR-Benchmarks für afrikanische Sprachen zusammengeführt.
TL;DR
- Heute sind 7.170 Sprachen in Gebrauch, und etwa 44% sind bedroht, oft mit weniger als 1.000 Nutzern (Ethnologue, How Many Languages 2026).
- Nur 195 von 546 ressourcenarmen Sprachen (36%) erreichten im 7B-Modell von Meta eine Zeichenfehlerrate unter 10, gegenüber 236 von 249 ressourcenreichen Sprachen (Meta FAIR, Omnilingual-ASR-Paper 2025).
- 65% des Whisper-Trainingsaudios waren englische Spracherkennung, 438.218 Stunden, während sich 96 andere Sprachen 117.113 Stunden teilten (OpenAI, Whisper-Paper 2022).
- Ein Kinyarwanda-Modell erreichte mit nur 50 Stunden Trainingsdaten eine Wortfehlerrate unter 13% (Akera et al., Datenskalierungsstudie 2025).
- Das beste Suaheli-Modell sank von 24,81% WER mit 1 Stunde Daten auf 11,36% mit 400 Stunden (Nahabwe et al., Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech umfasst in Release 27.0 42.593 Stunden, davon 29.295 validiert (Mozilla, Common-Voice-Repository cv-dataset 2026).
- Project Vaani hat 31.278,37 Stunden indische Sprache aufgenommen, aber nur etwa 6,8% sind transkribiert (IISc und ARTPARK, Project-Vaani-Dashboard 2026).
- African Next Voices nahm mehr als 9.000 Stunden in 18 Sprachen in Kenia, Nigeria und Südafrika auf (Universität Pretoria, African-Next-Voices-Meldung 2025).
- Die Feinabstimmung auf dem 1.800 Stunden großen NaijaVoices-Korpus verbesserte die durchschnittliche Wortfehlerrate von Whisper bei Igbo, Haussa und Yoruba um 75,86% (NaijaVoices-Datensatz-Paper, Interspeech 2025).
- Googles Universal Speech Model schlug Whisper bei 62 FLEURS-Sprachen um 66% relative WER, mit einem annotierten Datensatz von etwa einem Siebtel der Größe (Google, USM-Paper 2023).
- IndicVoices umfasst 7.348 Stunden von 16.237 Sprechern in 22 indischen Sprachen (IndicVoices-Datensatz-Paper 2024).
1. Für wie viele der Sprachen der Welt gibt es überhaupt Spracherkennung
Der Nenner ist die Geschichte. Ethnologue zählt heute 7.170 Sprachen in Gebrauch, und nur 20 davon, 0,3% der Gesamtzahl, sind die Muttersprachen von mehr als 3,7 Milliarden Menschen (Ethnologue, How Many Languages 2026). Die Spracherkennung folgte dieser Konzentration: Noch 2023 deckte Googles Universal Speech Model 100+ Sprachen ab.
Selbst das umfassendste offene System von heute erreicht mit mehr als 1.600 Sprachen nur etwa ein Fünftel der Ethnologue-Zahl. Der Sprachverlust ist die andere Seite dieser Lücke und Thema unserer Statistiken zu bedrohten Sprachen. Allein Afrika kommt auf mehr als 2.000 Sprachen, viele davon ohne transkribierte Sprachdaten.
| Metrik | Wert | Quelle |
|---|---|---|
| Weltweit gebräuchliche Sprachen | 7.170 | Ethnologue, How Many Languages 2026 |
| Anteil der lebenden Sprachen, die bedroht sind | Etwa 44%, oft mit weniger als 1.000 verbliebenen Nutzern | Ethnologue, How Many Languages 2026 |
| Muttersprachler der 20 größten Sprachen | Über 3,7 Milliarden Menschen, fast die Hälfte der Weltbevölkerung, bei 0,3% aller Sprachen | Ethnologue, How Many Languages 2026 |
| In Afrika gesprochene Sprachen | Mehr als 2.000, viele ohne transkribierte Sprachdaten | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Vom Universal Speech Model von Google für Spracherkennung abgedeckte Sprachen | 100+ | Google, USM-Paper 2023 |
| Sprachen des Achten Anhangs der indischen Verfassung, die IndicASR abdeckt und das seine Autoren das erste Modell nennen, das alle unterstützt | 22 | IndicVoices-Datensatz-Paper 2024 |
| Vom umfassendsten offenen ASR-System abgedeckte Sprachen | 1.600+ (über 500 nie zuvor von einem ASR-System bedient), etwa 22% der 7.170 in Gebrauch (1.600 / 7.170) | Meta FAIR, Omnilingual-ASR-Paper 2025; Ethnologue 2026 |
Kontext: Dieses System mit mehr als 1.600 Sprachen lässt bewusst rund 150 Gebärdensprachen, Plansprachen und Sprachen ohne etablierte Schrift aus, sodass ein Teil der nicht abgedeckten Gesamtzahl außerhalb der Reichweite einer Spracherkennung liegt, die Text ausgibt. Aktuellste verfügbare Daten zu USM: 2023.
2. Trainingsstunden: Englisch gegenüber dem Long Tail
Trainingsdaten für Spracherkennung sind keine Verteilung, sondern eine Klippe. Whispers englische Spracherkennungsdaten (438.218 Stunden) waren etwa 81.000-mal größer als die Suaheli-Daten (5,4 Stunden) (438.218 / 5,4 = 81.151), und Laotisch, Sundanesisch und Birmanisch bekamen je 0,1 Stunden. Selbst gegenüber Chinesisch, der am besten versorgten nicht englischen Sprache mit 23.446 Stunden, hatte Englisch etwa 19-mal so viel Audio (438.218 / 23.446 = 18,7).
Neuere Systeme sortieren Sprachen in Ressourcenklassen, und die Grenzen sind aufschlussreich: Eine Sprache gilt schon ab 50 Stunden als ressourcenreich (gut mit Trainingsdaten versorgt). Gezielt aufgebaute Datensätze können eine Sprache über diese Linie heben: IndicVoices gibt einen Median von 73 transkribierten Stunden pro Sprache über seine 22 Sprachen an (IndicVoices-Datensatz-Paper 2024).
| Metrik | Wert | Quelle |
|---|---|---|
| Whisper-Trainingsaudio: englische Spracherkennung gegenüber 96 anderen Sprachen | 438.218 Stunden (65%) gegenüber 117.113 Stunden (17%) | OpenAI, Whisper-Paper 2022 |
| Whisper-Spracherkennungsstunden pro Sprache, größte gegenüber kleinsten | Chinesisch 23.446; Deutsch 13.344; Spanisch 11.100 gegenüber Suaheli 5,4; Laotisch, Sundanesisch und Birmanisch je 0,1 | OpenAI, Whisper-Paper 2022 |
| FLEURS-Benchmarksprachen ganz ohne Whisper-Trainingsdaten | 20 von 102 | OpenAI, Whisper-Paper 2022 |
| Omnilingual-ASR-Sprachen nach annotierten Trainingsdaten: mehr als 50 Stunden / 10 bis 50 Stunden / unter 10 Stunden | 249 / 881 / 546 Sprachen | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| FLEURS-Evaluierungsdaten pro Sprache | Etwa 12 Stunden Sprache in jeder der 102 Sprachen | Google, FLEURS-Paper 2022 |
| Transkribiertes IndicVoices-Audio | 1.639 Stunden, Median 73 Stunden pro Sprache | IndicVoices-Datensatz-Paper 2024 |
Aktuellste verfügbare Daten zu Whisper: 2022. Die obigen Stunden beziehen sich nur auf Spracherkennungsdaten, getrennt vom Übersetzungsaudio von Whisper. Eine entsprechende Aufschlüsselung pro Sprache für spätere Whisper-Versionen haben wir nicht gefunden.
3. Fehlerraten: ressourcenarme gegenüber ressourcenreichen Sprachen
Die Wortfehlerrate (WER) ist der Anteil der Wörter, die ein System falsch erkennt, wobei Ersetzungen, Auslassungen und Einfügungen gezählt werden; weil eingefügte Wörter mitzählen, kann sie 100% übersteigen, wenn ein Modell mehr falsche Wörter erzeugt, als die Referenz enthält. Whisper large-v2 erzielte im FLEURS-Benchmark 4,2% WER bei Englisch, aber 121,0% bei Shona, sodass bei Shona die Fehler die tatsächlich gesprochenen Wörter überstiegen (OpenAI, Whisper-Paper 2022). Ein bekannter Weg dorthin ist, dass ein Modell flüssigen Text schreibt, den niemand gesagt hat, die Fehlerart, die unsere Statistiken zu Halluzinationen in der Spracherkennung verfolgen.
Neuere Modelle lassen die Lücke weiterhin bestehen. In der folgenden Tabelle blieb die Zeichenfehlerrate (CER, dieselbe Idee, aber pro Buchstabe statt pro Wort gezählt) bei etwa 95% der Sprachen mit 10 oder mehr Stunden Daten unter 10 (1.077 von 1.130), aber nur bei knapp einem Drittel der Gruppe mit weniger als 10 Stunden. Innerhalb eines einzigen Modells trennt allein die Datenmenge diese Ergebnisse.
| Metrik | Wert | Quelle |
|---|---|---|
| Wortfehlerrate von Whisper large-v2 auf FLEURS: Englisch / Spanisch / Suaheli | 4,2% / 3,0% / 39,3% | OpenAI, Whisper-Paper 2022 |
| Wortfehlerrate von Whisper large-v2 auf FLEURS: Yoruba / Somali / Shona / Sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, Whisper-Paper 2022 |
| Sprachen von Omnilingual 7B LLM-ASR mit Zeichenfehlerrate unter 10, nach Ressourcenniveau: hoch / mittel / niedrig | 236 von 249 / 841 von 881 / 195 von 546 (das Paper rundet den Anteil ressourcenarmer Sprachen auf 36%) | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| Mittlere Zeichenfehlerrate von Omnilingual 7B LLM-ASR: ressourcenreiche gegenüber ressourcenarmen Sprachen | 3,13 gegenüber 18,0 | Meta FAIR, Omnilingual-ASR-Paper 2025 |
Hinweis zu Ausreißern: Die Whisper-Zeilen stammen aus der large-v2-Tabelle im Paper von 2022, der aktuellsten verfügbaren Tabelle pro Sprache dieser Art. WER und CER sind unterschiedliche Maße, daher lassen sich die Whisper- und die Omnilingual-Zeilen nicht direkt vergleichen.
4. Wie viele Daten die Lücke schließen
Der ermutigende Befund von 2025 ist, dass die Schwelle für brauchbare Erkennung in Dutzenden von Stunden gemessen wird, nicht in Tausenden. Ein Kinyarwanda-Modell erreichte praxistaugliche Genauigkeit, eine Wortfehlerrate unter 13%, mit nur 50 Stunden Trainingsdaten und sank bei 200 Stunden unter 10% (Akera et al., Datenskalierungsstudie 2025). Gilt das auch für andere Sprachen, genügt eine einzige finanzierte Aufnahmekampagne für ein erstes brauchbares Modell.
Auch die Datenqualität zählt. Dieselbe Studie führte 38,6% der Fälle mit hoher Fehlerrate auf verrauschte Referenztranskriptionen zurück, das heißt, ein Teil der “Fehler” lag daran, dass der Referenztext falsch war. Und die Suaheli-Ergebnisse in einem separaten Benchmark mit 13 Sprachen zeigen, was Menge allein bringt: Der Sprung von 1 auf 400 Stunden mehr als halbierte die beste Fehlerrate, doch 11,36% liegen immer noch deutlich über dem englischen Whisper-Wert aus Abschnitt 3.
| Metrik | Wert | Quelle |
|---|---|---|
| Benötigte Kinyarwanda-Trainingsdaten für eine Wortfehlerrate unter 13% | Nur 50 Stunden | Akera et al., Datenskalierungsstudie zu Kinyarwanda und Kikuyu 2025 |
| Wortfehlerrate bei Kinyarwanda mit 200 Stunden Trainingsdaten | Unter 10% | Akera et al., Datenskalierungsstudie zu Kinyarwanda und Kikuyu 2025 |
| Durch verrauschte Referenztranskriptionen verursachte Fälle mit hoher Fehlerrate | 38,6% | Akera et al., Datenskalierungsstudie zu Kinyarwanda und Kikuyu 2025 |
| Getestete afrikanische Sprachen, mit Feinabstimmungsteilmengen von 1, 5, 10, 20, 50, 100 und 200 Stunden | 13 Sprachen (nur Suaheli hatte zusätzlich eine Teilmenge von 400 Stunden) | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Beste Wortfehlerrate bei Suaheli mit 400 Stunden Feinabstimmungsdaten (XLS-R gegenüber Whisper) | 11,36% gegenüber 16,88% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
Kontext: Die 13 Sprachen im Benchmark von Nahabwe et al. sind Afrikaans, Akan, Bambara, Bemba, Ewe, Kinyarwanda, Lingala, Luganda, Shona, Suaheli, Wolof, Xhosa und Zulu.
5. Crowdsourcing- und Community-Sprachdatensätze
Offene, von Communities aufgebaute Datensätze sind der Ort, an dem Sprachdaten des Long Tail öffentlich werden. Der Scripted-Speech-Datensatz von Mozilla Common Voice wuchs etwa um das 31-Fache, von 1.368 Stunden im ersten Release auf 42.593 Stunden in Release 27.0 (42.593 / 1.368 = 31,1), und das Repository listet 295 Sprachen auf (Mozilla, Common-Voice-Repository cv-dataset 2026). Der Engpass hat sich von der Aufnahme zur Prüfung verlagert: Etwa 31% dieser Stunden sind nicht validiert (29.295 / 42.593 = 68,8% validiert).
Regionale Projekte zeigen dasselbe Muster in größerem Maßstab. Project Vaani hat über 31.000 Stunden indische Sprache gesammelt, aber nur etwa 6,8% davon transkribiert (2.122,21 / 31.278,37) und 165 der 773 Distrikte Indiens erreicht (21,3%). In Afrika umfassen zwei 2025 gemeldete Projekte zusammen mehr als 10.800 Stunden (9.000+ plus 1.800), gegenüber den 5,4 Stunden Suaheli in den Spracherkennungsdaten von Whisper.
| Metrik | Wert | Quelle |
|---|---|---|
| Gesamtstunden von Common Voice Scripted Speech: Release 1 gegenüber Release 27.0 (Datenstand September 2026) | 1.368 gegenüber 42.593 Stunden | Mozilla, Common-Voice-Repository cv-dataset 2026 |
| Validierte Stunden von Common Voice Scripted Speech, Release 27.0 | 29.295 (68,8% der Gesamtzahl) | Mozilla, Common-Voice-Repository cv-dataset 2026 |
| Für Common Voice Scripted Speech aufgeführte Sprachen: Release 19.0 (2024) gegenüber Release 27.0 (2026) | 131 gegenüber 295 | Mozilla, Common-Voice-19.0-Release 2024; Repository cv-dataset 2026 |
| Common Voice Spontaneous Speech Release 5.0 | 541 Stunden (302 validiert), 80 Sprachen | Mozilla, Common-Voice-Repository cv-dataset 2026 |
| Von Project Vaani in Indien gesammelte Sprache | 31.278,37 Stunden von 156.208 Sprechern in 105 Sprachen, 165 von 773 Distrikten | IISc und ARTPARK, Project-Vaani-Dashboard 2026 |
| Transkribierte Sprache von Project Vaani | 2.122,21 Stunden (etwa 6,8% des gesammelten Audios) | IISc und ARTPARK, Project-Vaani-Dashboard 2026 |
| Von African Next Voices aufgenommene Sprache | 9.000+ Stunden in 18 Sprachen in 3 Ländern | Universität Pretoria, African-Next-Voices-Meldung 2025 |
| Sprach-Text-Daten von NaijaVoices | 1.800 Stunden von 5.000+ Sprechern in Igbo, Haussa und Yoruba | NaijaVoices-Datensatz-Paper, Interspeech 2025 |
Kontext: Das erklärte Ziel von Project Vaani sind mehr als 150.000 Stunden Sprache aus allen 773 Distrikten, sodass das aktuelle Dashboard etwa ein Fünftel des geplanten Audios abbildet (31.278,37 / 150.000 = 20,9%).
6. Ansätze: Selbstüberwachtes Vortraining, Lesungen religiöser Texte und Few-Shot-Erweiterung
Der Long Tail wird mit drei Taktiken erschlossen. Selbstüberwachtes Vortraining (das Modell lernt zuerst aus untranskribiertem Audio und braucht dann nur einen kleinen annotierten Datensatz) ist die Basisschicht; Googles Universal Speech Model schlug Whisper bei 62 FLEURS-Sprachen um 66% relative Wortfehlerrate, mit einem annotierten Datensatz von etwa einem Siebtel der Größe (Google, USM-Paper 2023). Lesungen öffentlich verfügbarer religiöser Texte lieferten dem MMS-Projekt durchschnittlich 32 Stunden pro Sprache, ein Durchschnitt, der im Bereich von 10 bis 50 Stunden aus Abschnitt 2 liegt.
Die neueste Taktik ist die Few-Shot-Erweiterung: Man gibt einem Modell zur Laufzeit eine Handvoll gepaarter Audio- und Textbeispiele und lässt es sich ohne erneutes Training anpassen. Das größere Bild der gemeinsamen Modelle, die viele Sprachen gleichzeitig bewältigen, behandeln unsere Statistiken zu mehrsprachigen Sprach-Foundation-Modellen. Auch die Dateneffizienz unterscheidet sich je nach Bauweise: Mit 1 Stunde Suaheli schlug MMS, das auf selbstüberwachtem Vortraining aufbaut, Whisper um 26,52 WER-Punkte (51,33 - 24,81).
| Metrik | Wert | Quelle |
|---|---|---|
| Aus Lesungen religiöser Texte aufgebaute annotierte MMS-Daten | 44,7 Tsd. Stunden in 1.107 Sprachen, durchschnittlich etwa 32 Stunden pro Sprache | Meta AI, MMS-Paper und Blog 2023 |
| Zeichenfehlerrate bei im Training nicht gesehenen Sprachen: CTC-Basismodell gegenüber Zero-Shot-Modell (ohne erneutes Training) mit 10 Kontextbeispielen | 26,33% gegenüber 14,4% | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| Überwachte Trainingsdaten von USM gegenüber denen von Whisper, ohne Englisch | 90 Tsd. Stunden gegenüber 117 Tsd. Stunden, wobei Whisper bei 62 FLEURS-Sprachen um 66% relative WER geschlagen wurde | Google, USM-Paper 2023 |
| Wortfehlerrate bei Suaheli nach 1 Stunde Feinabstimmung: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Durchschnittliche Verbesserung der Wortfehlerrate nach Feinabstimmung auf NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | NaijaVoices-Datensatz-Paper, Interspeech 2025 |
Hinweis zu Ausreißern: Das USM-Paper beschreibt seinen annotierten YouTube-Datensatz in der Einleitung als 73 Sprachen umfassend und in Abschnitt 3.1 als 75. Aktuellste verfügbare Daten zu MMS und USM: 2023.
Zusammenfassung: Abdeckung der Spracherkennung für ressourcenarme Sprachen in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Weltweit gebräuchliche Sprachen | 7.170 | Ethnologue, How Many Languages 2026 |
| Vom umfassendsten offenen ASR-System abgedeckte Sprachen | 1.600+, über 500 nie zuvor bedient | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| Ressourcenarme Sprachen (unter 10 Stunden) mit Zeichenfehlerrate unter 10 | 195 von 546 (36%) | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| Anteil des Whisper-Trainingsaudios, der englische Spracherkennung war | 65% (438.218 Stunden) | OpenAI, Whisper-Paper 2022 |
| In Afrika gesprochene Sprachen | Mehr als 2.000 | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Benötigte Kinyarwanda-Daten für eine Wortfehlerrate unter 13% | Nur 50 Stunden | Akera et al., Datenskalierungsstudie 2025 |
| Wortfehlerrate bei Kinyarwanda mit 200 Stunden | Unter 10% | Akera et al., Datenskalierungsstudie 2025 |
| Beste Wortfehlerrate bei Suaheli: 1 Stunde gegenüber 400 Stunden Feinabstimmungsdaten | 24,81% gegenüber 11,36% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Stunden von Common Voice Scripted Speech, Release 27.0 | 42.593 insgesamt, 29.295 validiert | Mozilla, Common-Voice-Repository cv-dataset 2026 |
| Für Common Voice Scripted Speech aufgeführte Sprachen | 295 | Mozilla, Common-Voice-Repository cv-dataset 2026 |
| Project-Vaani-Audio gesammelt gegenüber transkribiert | 31.278,37 gegenüber 2.122,21 Stunden | IISc und ARTPARK, Project-Vaani-Dashboard 2026 |
| IndicVoices-Audio | 7.348 Stunden, 16.237 Sprecher, 22 Sprachen | IndicVoices-Datensatz-Paper 2024 |
| Von African Next Voices aufgenommene Sprache | 9.000+ Stunden, 18 Sprachen | Universität Pretoria, African-Next-Voices-Meldung 2025 |
| Sprach-Text-Daten von NaijaVoices | 1.800 Stunden, 3 Sprachen | NaijaVoices-Datensatz-Paper, Interspeech 2025 |
| USM gegenüber Whisper bei 62 FLEURS-Sprachen | 66% niedrigere relative WER | Google, USM-Paper 2023 |
Methodik und Quellen
- Ethnologue, How Many Languages Are There in the World? (Seite abgerufen im Oktober 2026): lebende Sprachen, Anteil bedrohter Sprachen, Konzentration der 20 größten Sprachen.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (Whisper-Paper), 2022: Trainingsstunden pro Sprache (Abbildung 11) und FLEURS-Wortfehlerraten (Tabelle 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (MMS-Paper), 2023, mit der MMS-Ankündigung; und Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10. November 2025.
- Google, Paper zum Universal Speech Model, 2023, und Paper zum FLEURS-Benchmark, 2022.
- Mozilla, Common-Voice-Repository cv-dataset (Release 27.0, Datenstand September 2026), der Beitrag zum Release von Common Voice 19.0 (angekündigt am 18. September 2024) und die Release Notes zu Scripted Speech 26.0 (19. Juni 2026).
- IISc und ARTPARK, Live-Dashboard von Project Vaani (abgerufen im Oktober 2026).
- IndicVoices-Datensatz-Paper, 4. März 2024.
- Akera et al., How much speech data is necessary for ASR in African languages?, 8. Oktober 2025.
- Nahabwe et al., Benchmarking Automatic Speech Recognition Models for African Languages, 30. November 2025.
- The NaijaVoices Dataset, angenommen bei Interspeech 2025.
- Universität Pretoria, African Next Voices featured in Nature, 1. August 2025.
- Daten-Hinweis: Sprachzahlen unterscheiden sich je nach Quelle und Methode (die 7.170 von Ethnologue zählen Sprachen in Gebrauch; ASR-Papers zählen ISO-639-3-Codes und schließen Gebärdensprachen und schriftlose Sprachen aus), daher sind Abdeckungsanteile Näherungswerte. Die Sprachzahl von Common Voice sprang von 131 (Release 19.0) auf 295 (Release 27.0); das Repository sagt nicht, ob die neuere Zahl nur Sprachen mit veröffentlichtem Audio zählt, daher ist sie als aufgeführte Sprachen zu verstehen. Der validierte Anteil von 68,8% wird aus den Diagrammdaten des Repositorys berechnet, während die Release Notes zu 26.0 rund 25% des Scripted-Speech-Audios als noch nicht validiert beschreiben; die beiden Maße sind nicht identisch. Als Release 19.0 angekündigt wurde, wies ein Forenkommentar darauf hin, dass nur 129 seiner 131 Sprachen heruntergeladen werden konnten, sodass aufgeführte und veröffentlichte Sprachzahlen abweichen können. Die Zahlen zu African Next Voices stammen von einer Nachrichtenseite einer Universität, die die Berichterstattung von Nature zusammenfasst, und ein Datensatz-Paper haben wir nicht gelesen. Die Zahlen zu Whisper (2022), FLEURS (2022), MMS (2023) und USM (2023) sind alle älter als drei Jahre und als aktuellste verfügbare Daten gekennzeichnet. Der Text des Omnilingual-Papers (549) und seine Tabelle 8 (546) widersprechen sich bei der Zahl ressourcenarmer Sprachen; wir verwenden die Tabellenwerte.
Zuletzt aktualisiert: 31. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn Mozilla Release 28.0 von Common Voice Scripted Speech veröffentlicht.