Metas Omnilingual ASR transkribiert mehr als 1.600 Sprachen, darunter über 500, die zuvor kein Spracherkennungssystem bedient hatte (Meta FAIR, Omnilingual ASR 2025), und doch ist das noch immer weniger als ein Viertel der 7.170 lebenden Sprachen in der Ausgabe 2026 des Ethnologue. Zwei Jahre zuvor war Whisper der Referenzpunkt, trainiert mit 680.000 Stunden, von denen nur 117.000 Stunden auf 96 Sprachen außer Englisch entfielen (OpenAI, Whisper-Paper 2022). Der größte offene, per Crowdsourcing entstandene Korpus, Mozilla Common Voice, umfasst inzwischen 289 Sprachen und 38.932 Stunden (Common Voice 24.0, 2025), und die am schnellsten wachsenden Produkte, von Live-Übersetzung bis Diktat, sitzen alle auf diesen Foundation-Modellen auf, wie auch unsere Übersicht der Speech-to-Text-Statistiken verfolgt. Wir haben Daten von Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets und weiteren Primärquellen aggregiert, die in der Methodik aufgeführt sind.
TL;DR
- Omnilingual ASR deckt über 1.600 Sprachen ab, davon mehr als 500, die zuvor nie von ASR bedient wurden (Meta FAIR, Omnilingual ASR 2025).
- Zero-Shot-In-Context-Learning könnte Omnilingual ASR auf mehr als 5.400 Sprachen ausweiten (Meta, November 2025).
- Es gibt 7.170 lebende Sprachen, ein Nettozuwachs von 11 in einem Jahr (Ethnologue, 29. Ausgabe 2026).
- 40% der Weltbevölkerung haben keinen Zugang zu Bildung in einer Sprache, die sie verstehen (UNESCO-GEM-Bericht 2025).
- Metas MMS identifiziert 4.017 gesprochene Sprachen und transkribiert 1.107 (Meta, MMS-Paper 2023).
- Googles USM wurde mit 12 Millionen Stunden Sprache in über 300 Sprachen trainiert (Google Research 2023).
- Whisper large-v3 wurde mit rund 5 Millionen Stunden trainiert, davon 4 Millionen pseudo-annotiert (OpenAI, Nov. 2023).
- Die Wortfehlerrate von Whisper halbiert sich bei jeder 16-fachen Steigerung der Trainingsdaten pro Sprache (OpenAI, Whisper-Paper 2022).
- Common Voice 24.0: 38.932 Stunden in 289 Sprachen (Mozilla, Dez. 2025).
- Zeichenfehlerrate unter 10 bei 78% der Sprachen von Omnilingual ASR (Meta, Nov. 2025).
- Gemini 3.5 Live Translate unterstützt über 70 Sprachen und mehr als 2.000 Kombinationen in einem Meet-Anruf (Google, Juni 2026).
- Schwarze Sprecher kamen auf eine durchschnittliche WER von 0,35 gegenüber 0,19 bei weißen Sprechern über fünf kommerzielle Systeme hinweg (PNAS, 2020).
1. Die Sprachlücke: 7.170 Sprachen, einige Hundert bedient
Der Nenner zählt. Die 29. Ausgabe des Ethnologue zählt 7.170 lebende Sprachen, ein Nettozuwachs von 11 gegenüber dem Vorjahr nach mehr als 8.000 Datenbank-Aktualisierungen, wobei acht Sprachen von ausgestorben auf lebend umklassifiziert wurden (Ethnologue, Willkommen zur 29. Ausgabe, Februar 2026). Vor 2023, so das MMS-Team, bedienten gängige Sprachsysteme nur rund 100 davon. Selbst nach dem Sprung auf über 1.600 haben noch immer etwa drei von vier lebenden Sprachen keinen einsatzfertigen Spracherkenner.
Die Lücke ist nicht akademisch. Das Global Education Monitoring Team der UNESCO berichtet, dass 40% der Weltbevölkerung keinen Zugang zu Bildung in einer Sprache haben, die sie verstehen, ein Anteil, der in einigen Ländern mit niedrigem und mittlerem Einkommen 90% erreicht (UNESCO-GEM-Bericht, Languages Matter). Sprachtechnologie, die diese Sprachen auslässt, lässt auch die Menschen aus, für die Sprachschnittstellen am wichtigsten wären, ein Thema, das unsere Statistiken zu bedrohten Sprachen von der Erhaltungsseite her behandeln.
| Metrik | Wert | Quelle |
|---|---|---|
| Lebende Sprachen, 2026 | 7.170 (Nettozuwachs +11 in einem Jahr) | Ethnologue, 29. Ausgabe 2026 |
| Lebende Sprachen, 2025 | 7.159 | Ethnologue, 28. Ausgabe 2025 |
| Bedrohte Sprachen | 3.193 (45% der lebenden Sprachen) | Ethnologue, 28. Ausgabe 2025 |
| »Sterbende« Sprachen | 1.030 (14%) | Ethnologue, 28. Ausgabe 2025 |
| Bevölkerung ohne Bildung in einer verstandenen Sprache | 40% (bis zu 90% in einigen Ländern mit niedrigem und mittlerem Einkommen) | UNESCO-GEM-Bericht 2025 |
| Von typischen Sprachsystemen vor MMS abgedeckte Sprachen | Rund 100 | Meta, MMS-Paper 2023 |
| Zuvor nie von ASR bediente Sprachen, durch Omnilingual ASR hinzugekommen | Mehr als 500 | Meta FAIR, Omnilingual ASR 2025 |
Kontexthinweis: Die Zahlen zu bedrohten und sterbenden Sprachen stammen aus der Ausgabe 2025, wie sie in öffentlichen Berichten zusammengefasst wurden; die vollständigen Zahlen des Ethnologue stehen hinter einer Bezahlschranke. Die UNESCO verbindet die 40% mit großen Lernnachteilen: In Honduras erreichten 94% der Sechstklässler, die die Unterrichtssprache sprachen, die Lesegrundlagen, gegenüber 62% derjenigen, die sie nicht sprachen.
2. Das Rennen um die Abdeckung: Wie viele Sprachen jedes Modell beherrscht
Die Sprachzahlen sind in drei Jahren um eine Größenordnung gesprungen. Metas MMS identifiziert 4.017 Sprachen und transkribiert und synthetisiert 1.107, größtenteils aufgebaut aus Aufnahmen des Neuen Testaments, mit vortrainierten Modellen für 1.406 Sprachen (MMS: Scaling Speech Technology to 1,000+ Languages). Omnilingual ASR trieb die Transkription dann über 1.600 hinaus und beansprucht durch Zero-Shot-In-Context-Learning aus wenigen gepaarten Beispielen eine mögliche Reichweite von mehr als 5.400 Sprachen (Meta AI, Ankündigung von Omnilingual ASR).
Kommerzielle Produkte sind weitaus zurückhaltender, und die Lücke zeigt, wo die Qualitätslatte liegt. Google Clouds Chirp 3 listet 24 allgemein verfügbare Transkriptionssprachen und 76 in der Vorschau (Google Cloud, Chirp-3-Dokumentation), während Forschungsmodelle Hunderte beanspruchen. Sprachübersetzung liegt dazwischen: Metas SeamlessM4T nimmt Sprache in 101 Sprachen auf, spricht aber nur in 36 (Nature, Joint speech and text machine translation for up to 100 languages), ein Hinweis darauf, dass Sprache zu erzeugen schwieriger ist, als sie zu erkennen.
| Metrik | Wert | Quelle |
|---|---|---|
| Transkription von Omnilingual ASR | 1.600+ Sprachen | Meta FAIR, Nov. 2025 |
| Potenzial von Omnilingual ASR per Zero-Shot-Lernen | 5.400+ Sprachen | Meta, Nov. 2025 |
| MMS: Spracherkennung / ASR und TTS / Vortraining | 4.017 / 1.107 / 1.406 Sprachen | Meta, MMS-Paper 2023 |
| Vortrainingsabdeckung von Google USM | 300+ Sprachen | Google Research, März 2023 |
| Whisper large-v3 | 99 Sprachen | Open ASR Leaderboard von Hugging Face 2025 |
| Sprache-zu-Sprache-Übersetzung von SeamlessM4T | 101 Eingabe-, 36 Ausgabesprachen | Meta, Nature 2025 |
| Transkription von Google Chirp 3 | 24 allgemein verfügbar + 76 in der Vorschau | Google-Cloud-Dokumentation 2026 |
| Sprach-Embeddings von Meta OmniSONAR | 177 gesprochene Sprachen in einem semantischen Raum mit 200 Sprachen | Meta, OmniSONAR-Paper 2026 |
Echtzeitübersetzung ist in Massenmarkt-Apps angekommen. Gemini 3.5 Live Translate erkennt über 70 Sprachen und unterstützt mehr als 2.000 Sprachkombinationen in einer einzigen Google-Meet-Sitzung, zuvor waren es fünf Sprachen (Google, Gemini 3.5 Live Translate, Juni 2026). Google gibt an, dass Menschen pro Monat rund 1 Billion Wörter über Translate, Suche, Lens und Circle to Search übersetzen (Google, August 2025). Mehr zur Verbreitung auf Geräteebene finden Sie in unseren Statistiken zur Sprache-zu-Sprache-Übersetzung.
| Metrik | Wert | Quelle |
|---|---|---|
| Sprachen von Gemini 3.5 Live Translate | 70+ | Google, Juni 2026 |
| Sprachkombinationen in einem Meet-Anruf | 2.000+ (zuvor 5 Sprachen) | Google, Juni 2026 |
| Sprachen der Live-Konversation in Google Translate | 70+ | Google, Aug. 2025 |
| Pro Monat übersetzte Wörter über Google-Produkte hinweg | Rund 1 Billion | Google, Aug. 2025 |
| Modellgrößen der Open-Weight-Modelle Mistral Voxtral | 24B und 3B Parameter | Mistral AI, Juli 2025 |
| Maximale Audiolänge von Voxtral | 30 Minuten Transkription, 40 Minuten Verständnis | Mistral AI, Juli 2025 |
3. Umfang der Trainingsdaten: von 680.000 Stunden auf 12 Millionen
Das Datenbudget hinter diesen Modellen wuchs weit schneller als die Sprachzahlen. Googles Universal Speech Model wurde mit 12 Millionen Stunden Sprache und 28 Milliarden Textsätzen trainiert, bei 2 Milliarden Parametern (Google Research, USM), etwa dem 18-Fachen des ursprünglichen Whisper-Korpus. OpenAI selbst ging von 680.000 Stunden auf rund 5 Millionen für Whisper large-v3, von denen 4 Millionen durch das Vorgängermodell pseudo-annotiert wurden (OpenAI, Release-Notizen zu large-v3).
Die Verteilung innerhalb dieser Korpora ist die eigentliche Geschichte. Die ursprünglichen 680.000 Stunden von Whisper enthielten 117.000 Stunden in 96 Sprachen außer Englisch und 125.000 Stunden Übersetzung ins Englische (Whisper-Paper). Per Subtraktion (680.000 minus 117.000 minus 125.000) waren rund 438.000 Stunden oder etwa 64% englische Transkription. Der annotierte Datensatz von MMS hatte im Schnitt nur 32 Stunden pro Sprache, und die veröffentlichten Daten von Omnilingual ASR liegen im Schnitt bei etwa 10 transkribierten Stunden pro Sprache. Massiv mehrsprachige Modelle ruhen auf einem langen Schwanz, der in Stunden gemessen wird, nicht in Tausenden von Stunden.
| Metrik | Wert | Quelle |
|---|---|---|
| Trainingsaudio von Whisper | 680.000 Stunden | OpenAI, Whisper-Paper 2022 |
| Erkennungsdaten von Whisper außer Englisch | 117.000 Stunden in 96 Sprachen | OpenAI, Whisper-Paper 2022 |
| Übersetzungsdaten von Whisper aus beliebigen Sprachen ins Englische | 125.000 Stunden | OpenAI, Whisper-Paper 2022 |
| Englische Transkription bei Whisper (abgeleitet) | Rund 438.000 Stunden (rund 64%) | Berechnet aus OpenAI-Zahlen |
| Trainingsdaten von Whisper large-v3 | 1 Mio. schwach annotierte + 4 Mio. pseudo-annotierte Stunden | OpenAI, Nov. 2023 |
| Google USM | 12 Mio. Stunden Sprache, 28 Mrd. Textsätze, 2 Mrd. Parameter | Google Research, 2023 |
| Selbstüberwachtes Vortraining von MMS | Rund 500.000 Stunden in 1.400+ Sprachen | Meta, Mai 2023 |
| Annotierte Daten von MMS pro Sprache | Im Schnitt 32 Stunden | Meta, Mai 2023 |
Metas neuester Stack skaliert an beiden Enden. Omnilingual ASR hat einen wav2vec-2.0-Encoder mit 7 Milliarden Parametern auf 3,84 Millionen Stunden in 1.239 Sprachen, plus 460.000 Stunden ohne Sprachlabel, vortrainiert, und sein überwachter AllASR-Korpus umfasst 120.710 Stunden in 1.690 Sprachen (Omnilingual-ASR-Paper). Die kleinste veröffentlichte Variante hat 300 Millionen Parameter und zielt auf Geräte mit geringem Stromverbrauch.
| Metrik | Wert | Quelle |
|---|---|---|
| Unannotiertes Vortraining von Omnilingual ASR | 3,84 Mio. Stunden, 1.239 Sprachen | Meta FAIR, Omnilingual-ASR-Paper 2025 |
| Zusätzliche unannotierte Sprache ohne Spracherkennung | 460.000 Stunden | Meta FAIR, 2025 |
| Annotierter AllASR-Korpus | 120.710 Stunden, 1.690 Sprachen | Meta FAIR, 2025 |
| Durchschnittlich transkribierte Sprache pro Sprache (veröffentlichte Daten) | Rund 10 Stunden | Meta FAIR, 2025 |
| Größtes / kleinstes Modell | 7B / 300M Parameter | Meta FAIR, 2025 |
4. Offene Datensätze und Benchmarks hinter den Modellen
Offene Daten sind der Ort, an dem die Abdeckung des langen Schwanzes aufgebaut wird. Mozilla Common Voice Scripted Speech 24.0 erreichte 38.932 Stunden in 289 Sprachen, davon 25.886 validiert (Release-Beitrag im Mozilla Discourse, Dezember 2025). Der größere Sprung kam ein Release früher, als Common Voice 23.0 149 Sprachen hinzufügte und die Zahl auf 286 mehr als verdoppelte (Mozilla Data Collective). Die Stunden wuchsen zwischen diesen Releases nur um etwa 8%, neue Sprachen kommen also mit sehr wenig Audio je Sprache hinzu.
Die Evaluation bleibt weit schmaler als das Training. FLEURS, der gängige mehrsprachige Benchmark, deckt 102 Sprachen mit etwa 12 Stunden Sprache pro Sprache ab (FLEURS-Paper), und die mehrsprachige Spur des Open ASR Leaderboard von Hugging Face testet nur fünf Sprachen über mehr als 60 Modelle von 18 Organisationen (Hugging Face, Open ASR Leaderboard). Behauptungen über »1.600 Sprachen« werden also an einem Bruchteil dieser Zahl überprüft.
| Metrik | Wert | Quelle |
|---|---|---|
| Common Voice 24.0, Stunden gesamt / validiert | 38.932 / 25.886 | Mozilla, Dez. 2025 |
| Sprachen von Common Voice 24.0 | 289 | Mozilla, Dez. 2025 |
| In Common Voice 23.0 hinzugekommene Sprachen | 149 (gesamt 286) | Mozilla Data Collective, Sept. 2025 |
| Spontansprache in Common Voice 23.0 | 357 Stunden in 51 Sprachen | Mozilla Data Collective, Sept. 2025 |
| Datensätze von Spontaneous Speech 2.0 | 62 | Mozilla, Dez. 2025 |
| FLEURS-Benchmark | 102 Sprachen, je etwa 12 Stunden | Conneau et al., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 unterversorgte Sprachen (CC-BY) | Meta, Nov. 2025 |
Europa bekam seinen eigenen großen offenen Korpus. NVIDIAs Granary umfasst rund 1 Million Stunden: knapp 650.000 für Erkennung und mehr als 350.000 für Übersetzung, in 25 europäischen Sprachen, darunter Kroatisch, Estnisch und Maltesisch (NVIDIA-Blog, August 2025). Das begleitende Paper, auf der Interspeech 2025 angenommen, berichtet, dass Modelle mit rund 50% weniger Daten eine ähnliche Leistung erreichen wie mit früheren Datensätzen (Granary-Paper).
| Metrik | Wert | Quelle |
|---|---|---|
| Granary Audio gesamt | Rund 1 Million Stunden | NVIDIA, Aug. 2025 |
| Aufteilung von Granary in Erkennung / Übersetzung | Rund 650.000 / 350.000+ Stunden | NVIDIA, Aug. 2025 |
| Sprachen von Granary | 25 europäische | NVIDIA, Aug. 2025 |
| Benötigte Daten gegenüber früheren Datensätzen bei gleicher Genauigkeit | Rund 50% weniger | Granary-Paper, Interspeech 2025 |
| Abdeckung des Open ASR Leaderboard | 60+ Modelle, 18 Organisationen, 11 Datensätze | Hugging Face, Nov. 2025 |
| Auf dem Hugging Face Hub gehostete ASR-Modelle | Rund 27.000 | Hugging Face, Nov. 2025 |
| Sprachen in der mehrsprachigen Spur des Leaderboards | 5 | Hugging Face, Nov. 2025 |
5. Genauigkeit: Daten pro Sprache schlagen Modellgröße
Die nützlichste Zahl des Feldes ist ein Skalierungsgesetz. Die Whisper-Autoren fanden eine quadrierte Korrelation von 0,83 zwischen dem Logarithmus der Wortfehlerrate und dem Logarithmus der Trainingsstunden pro Sprache, wobei sich die WER bei jeder 16-fachen Steigerung der Daten halbiert (OpenAI, Whisper-Paper). Dieselbe Beziehung lag bei der Sprachübersetzung nur bei 0,24. Für eine Sprache mit 10 Stunden Audio führt der praktische Weg zu brauchbarer Genauigkeit über mehr Daten, nicht über ein größeres Modell.
Die Abdeckungsgewinne kamen mit überraschend geringen Genauigkeitskosten. Meta berichtete, dass die Skalierung von MMS von 61 auf 1.107 Sprachen die Zeichenfehlerrate nur um etwa 0,4% erhöhte, während MMS die Wortfehlerrate von Whisper auf 54 FLEURS-Sprachen halbierte (Meta AI, Ankündigung von MMS). Omnilingual ASR erreicht bei 78% seiner über 1.600 Sprachen eine Zeichenfehlerrate unter 10. Das sind Eigenangaben, aber jede Behauptung ist an einen öffentlichen Benchmark gebunden.
| Metrik | Wert | Quelle |
|---|---|---|
| Korrelation zwischen log WER und log Trainingsstunden (ASR) | r Quadrat = 0,83 | OpenAI, Whisper-Paper 2022 |
| Dieselbe Korrelation bei Sprachübersetzung | r Quadrat = 0,24 | OpenAI, Whisper-Paper 2022 |
| WER-Verbesserung pro 16-facher Datenmenge | Halbiert sich | OpenAI, Whisper-Paper 2022 |
| MMS gegenüber Whisper auf 54 FLEURS-Sprachen | Etwa die halbe WER | Meta, MMS 2023 |
| CER-Anstieg bei Skalierung von MMS von 61 auf 1.107 Sprachen | Etwa 0,4% | Meta, Mai 2023 |
| Sprachen von Omnilingual ASR mit CER unter 10 | 78% | Meta, Nov. 2025 |
| Fehlerreduktion von Whisper large-v3 gegenüber large-v2 | 10% bis 20% | OpenAI, Nov. 2023 |
Googles Zahlen weisen in dieselbe Richtung. USM erzielte eine relativ um 32,7% niedrigere WER als Whisper auf 18 vergleichbaren Sprachen und unter 30% durchschnittliche WER über 73 YouTube-Untertitelsprachen, mit 65,8% relativ niedrigerer WER auf FLEURS ohne Daten aus der Zieldomäne. Effizienz ist inzwischen ein zweites Rennen: NVIDIAs Canary-1b-v2 mit einer Milliarde Parametern beansprucht eine Qualität auf Niveau von 3-fach größeren Modellen bei bis zu 10-fach schnellerer Inferenz, und im Leaderboard für lange Aufnahmen erzielte Parakeet CTC einen RTFx von 2.793,75 gegenüber 68,56 bei Whisper large-v3 (Hugging Face, 2025). Für Echtzeit-Sprachwerkzeuge, einschließlich solcher hinter Live-Voice-Cloning-Software, zählt dieser Durchsatzunterschied oft mehr als ein WER-Punkt.
| Metrik | Wert | Quelle |
|---|---|---|
| WER von USM gegenüber Whisper, 18 Sprachen | Relativ 32,7% niedriger | Google Research, 2023 |
| Durchschnittliche WER von USM, 73 YouTube-Sprachen | Unter 30% | Google Research, 2023 |
| Relative WER-Reduktion von USM auf FLEURS (ohne Daten aus der Zieldomäne) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 gegenüber kaskadierten Systemen | Bis zu 8% (Sprache-zu-Text) und 23% (Sprache-zu-Sprache) höhere BLEU | Meta, Nature 2025 |
| Sprache-zu-Text-Übersetzung von OmniSONAR, Zero-Shot | 97% der Qualität von SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 gegenüber größeren Modellen | Vergleichbare Qualität wie 3-fach größere Modelle, bis zu 10-fach schneller | NVIDIA, Aug. 2025 |
| Durchsatz bei langen Aufnahmen (RTFx): Parakeet CTC gegenüber Whisper large-v3 | 2.793,75 gegenüber 68,56 | Open ASR Leaderboard von Hugging Face 2025 |
Hinweis zu einem Ausreißer: Das OmniSONAR-Paper (arXiv, März 2026) berichtet außerdem von 43% geringeren Fehlern bei der Ähnlichkeitssuche in Sprache als bei früheren Modellen, ein Zeichen dafür, dass gemeinsame Sprache-Text-Embedding-Räume zu einem eigenständigen Baustein werden.
6. Akzent-Bias, Zugang und der kommerzielle Einsatz
Die Sprachabdeckung verbirgt eine zweite Lücke innerhalb der »unterstützten« Sprachen. Über fünf kommerzielle Systeme von Amazon, Apple, Google, IBM und Microsoft hinweg lag die durchschnittliche WER bei 0,35 für Schwarze Sprecher gegenüber 0,19 für weiße Sprecher (Koenecke et al., PNAS 2020), basierend auf Interviews mit 73 Schwarzen und 42 weißen Sprechern. Die Studie ist älter als drei Jahre und wird als das jüngste verfügbare Audit seiner Art gezeigt. Neuere Arbeiten kommen zu ähnlichen Schlüssen: AfriSpeech-MultiBench, das 100+ afrikanische Englisch-Akzente in mehr als 10 Ländern abdeckt, stellte fest, dass proprietäre Modelle bei klarer Sprache genau sind, aber je nach Land und Fachgebiet erheblich schwanken, wobei Halluzinationen für die meisten Spitzenmodelle weiterhin ein Problem sind (arXiv, Nov. 2025).
Der kommerzielle Einsatz steigt weiter, auch wenn die Marktgrößen uneinheitlich sind. MarketsandMarkets prognostiziert für Sprach- und Spracherkennung ein Wachstum von 9,66 Milliarden US-Dollar im Jahr 2025 auf 23,11 Milliarden US-Dollar bis 2030, ein CAGR von 19,1% (MarketsandMarkets-Pressemitteilung), während Grand View Research den Markt bei 20,2 Milliarden US-Dollar im Jahr 2023 sieht, mit 53,7 Milliarden US-Dollar bis 2030 bei 14,6% (Grand View Research). Beide Firmen nennen Asien-Pazifik und Schwellenmärkte als Wachstumstreiber, also genau die Regionen, in denen die Sprachabdeckung am dünnsten ist. Siehe auch unsere Statistiken zur maschinellen Übersetzung für die Textseite desselben Marktes.
| Metrik | Wert | Quelle |
|---|---|---|
| Durchschnittliche WER, Schwarze gegenüber weißen Sprechern (5 Systeme) | 0,35 gegenüber 0,19 | Koenecke et al., PNAS 2020 |
| Sprecher im PNAS-Audit | 73 Schwarze, 42 weiße | Koenecke et al., PNAS 2020 |
| Getestete afrikanische Englisch-Akzente | 100+ in 10+ Ländern | AfriSpeech-MultiBench, 2025 |
| Lesegrundlagen in Klasse 5, Elfenbeinküste: Heimatsprache = Testsprache gegenüber nicht | 55% gegenüber 25% | UNESCO-GEM-Bericht 2025 |
| Markt für Sprach- und Spracherkennung, 2025 bis 2030 | 9,66 Mrd. bis 23,11 Mrd. US-Dollar (CAGR 19,1%) | MarketsandMarkets, Aug. 2025 |
| Markt für Sprach- und Spracherkennung in den USA, 2025 bis 2030 | 3,13 Mrd. bis 7,70 Mrd. US-Dollar (CAGR 19,7%) | MarketsandMarkets, 2025 |
| Markt für Sprach- und Spracherkennung, 2023 bis 2030 | 20,2 Mrd. bis 53,7 Mrd. US-Dollar (CAGR 14,6%) | Grand View Research, 2024 |
| Umsatzanteil Nordamerikas | 30,8% (2023) | Grand View Research, 2024 |
Zusammenfassung: Mehrsprachige Sprach-Foundation-Modelle in Zahlen
| Metrik | Wert | Quelle |
|---|---|---|
| Lebende Sprachen | 7.170 | Ethnologue, 29. Ausgabe 2026 |
| Abdeckung von Omnilingual ASR | 1.600+ Sprachen (500+ zuvor nie bedient) | Meta FAIR, 2025 |
| Zero-Shot-Potenzial von Omnilingual ASR | 5.400+ Sprachen | Meta, Nov. 2025 |
| Spracherkennung von MMS | 4.017 Sprachen | Meta, 2023 |
| Abdeckung von Whisper large-v3 | 99 Sprachen | Hugging Face, 2025 |
| Spracheingabe / Sprachausgabe von SeamlessM4T | 101 / 36 Sprachen | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | 70+ Sprachen, 2.000+ Kombinationen | Google, Juni 2026 |
| Trainingsdaten von Whisper | 680.000 Stunden (117.000 außer Englisch) | OpenAI, 2022 |
| Trainingsdaten von Whisper large-v3 | Rund 5 Millionen Stunden | OpenAI, 2023 |
| Trainingsdaten von Google USM | 12 Millionen Stunden, 300+ Sprachen | Google Research, 2023 |
| Vortraining von Omnilingual ASR | 3,84 Mio. Stunden, 1.239 Sprachen | Meta FAIR, 2025 |
| Common Voice 24.0 | 38.932 Stunden, 289 Sprachen | Mozilla, Dez. 2025 |
| NVIDIA Granary | Rund 1 Mio. Stunden, 25 Sprachen | NVIDIA, Aug. 2025 |
| FLEURS-Benchmark | 102 Sprachen, je etwa 12 Stunden | FLEURS, 2022 |
| WER gegenüber Daten | Halbiert sich pro 16-facher Datenmenge | OpenAI, 2022 |
| Sprachen von Omnilingual ASR mit CER unter 10 | 78% | Meta, Nov. 2025 |
| WER von MMS gegenüber Whisper, 54 Sprachen | Etwa die Hälfte | Meta, 2023 |
| Bevölkerung ohne Bildung in einer verstandenen Sprache | 40% | UNESCO, 2025 |
| WER-Lücke, Schwarze gegenüber weißen Sprechern | 0,35 gegenüber 0,19 | PNAS, 2020 |
| Markt für Sprach- und Spracherkennung, 2030 | 23,11 Mrd. US-Dollar (MarketsandMarkets) gegenüber 53,7 Mrd. (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Methodik und Quellen
Jede Zahl wurde bis zu der Organisation zurückverfolgt, die sie erstellt hat, wobei Paper, offizielle Release-Notizen und Dokumentation gegenüber Presseberichten bevorzugt wurden. Genauigkeitsangaben der Anbieter (Meta, Google, OpenAI, NVIDIA, Mistral) sind Eigenangaben auf öffentlichen Benchmarks und mit ihrer Quelle gekennzeichnet. Kommerzielle Behauptungen, die wir nicht an eine veröffentlichte Zahl binden konnten, etwa nicht quantifizierte Marketingaussagen zur »niedrigsten WER«, wurden ausgeschlossen.
- Ethnologue: Willkommen zur 29. Ausgabe (Feb. 2026)
- UNESCO-GEM-Bericht: 40% haben keinen Zugang zu Bildung in einer Sprache, die sie verstehen (2025)
- Meta: Ankündigung von MMS (Mai 2023), MMS-Paper, Ankündigung von Omnilingual ASR (Nov. 2025), Omnilingual-ASR-Paper, OmniSONAR-Paper (2026)
- Meta-Team Seamless Communication: Joint speech and text machine translation for up to 100 languages (Nature, 2025)
- OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision (2022), Release von Whisper large-v3 (Nov. 2023)
- Google: Universal Speech Model (März 2023), Chirp-3-Dokumentation, Gemini 3.5 Live Translate (Juni 2026), Live-Übersetzung in Translate (Aug. 2025)
- Mozilla: Release von Common Voice 24.0 (Dez. 2025), Release von Common Voice 23.0 (Sept. 2025)
- Conneau et al.: FLEURS (2022)
- NVIDIA: Release von Granary, Canary und Parakeet (Aug. 2025), Granary-Paper (Interspeech 2025)
- Hugging Face: Trends im Open ASR Leaderboard (Nov. 2025)
- Mistral AI: Voxtral (Juli 2025)
- Koenecke et al.: Racial disparities in automated speech recognition (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: Pressemitteilung zum Markt für Sprach- und Spracherkennung (Aug. 2025)
- Grand View Research: Bericht zum Markt für Sprach- und Spracherkennung (2024)
- Daten-Hinweis: Die Marktgrößenschätzungen widersprechen sich stark. MarketsandMarkets (23,11 Mrd. US-Dollar bis 2030) und Grand View Research (53,7 Mrd. US-Dollar bis 2030) verwenden unterschiedliche Abgrenzungen und Basisjahre, weshalb die Zahlen weder gemittelt noch als Trend verglichen werden sollten. Mehrere Zahlen zu Foundation-Modellen stammen aus den Jahren 2022 bis 2023 (Whisper, USM, MMS, FLEURS) und sind die jeweils jüngsten verfügbaren Angaben zu diesen Modellen; Google hat keine vergleichbaren Gesamtzahlen zu Trainingsdaten für seine Gemini-Audiomodelle veröffentlicht. Der Englischanteil an den Whisper-Daten (rund 438.000 Stunden, 64%) ist unsere Subtraktion aus den von OpenAI veröffentlichten Gesamtwerten, keine Zahl, die OpenAI im Abstract nennt. Die Zahlen des Ethnologue von 2025 zu bedrohten und sterbenden Sprachen stammen aus öffentlichen Zusammenfassungen der 28. Ausgabe, da die vollständige Datenbank kostenpflichtig ist. Das PNAS-Bias-Audit (2020) liegt vor den heutigen Foundation-Modellen und wird als jüngste verfügbare Datengrundlage gezeigt; seither wurde kein ähnlich großes anbieterübergreifendes Audit veröffentlicht. Sprachzahlen sind zwischen Anbietern nicht vergleichbar: Manche zählen Locales, manche Sprachen, und »Vorschau«-Abdeckung ist keine Produktionsqualität.
Zuletzt aktualisiert: 3. Oktober 2026. Wir aktualisieren diese Zusammenstellung vierteljährlich, und die nächste Aktualisierung wird erwartet, wenn Mozilla Common Voice 25.0 veröffentlicht und der Ethnologue im Februar 2027 seine 30. Ausgabe herausbringt.