Les données d’entraînement de reconnaissance vocale de Whisper, d’OpenAI, comptaient 438 218 heures d’anglais mais seulement 0,1 heure chacune pour le lao, le soundanais et le birman (OpenAI, article Whisper 2022). Cet écart résume en une ligne la longue traîne de la reconnaissance vocale, face aux 7 170 langues en usage dans le monde (Ethnologue, How Many Languages 2026). Le seuil de précision utile semble plus bas que cet écart ne le laisse penser : une étude de 2025 a atteint un taux d’erreur sur les mots inférieur à 13% avec seulement 50 heures de données d’entraînement (Akera et al., étude de montée en volume des données kinyarwanda et kikuyu 2025). Le crowdsourcing comble une partie de l’écart, avec Mozilla Common Voice à 29 295 heures validées (Mozilla, dépôt cv-dataset de Common Voice 2026). Les écarts de précision selon les accents au sein des grandes langues sont traités dans nos statistiques sur le biais d’accent en reconnaissance vocale ; ce tour d’horizon porte sur des langues entières. Nous avons agrégé des données d’Ethnologue, de l’article OpenAI sur Whisper, des articles MMS et Omnilingual ASR de Meta, des articles USM et FLEURS de Google, de Mozilla Common Voice, de Project Vaani, d’IndicVoices, de NaijaVoices, d’African Next Voices et de récents benchmarks d’ASR pour les langues africaines.
TL;DR
- 7 170 langues sont en usage aujourd’hui, et environ 44% sont en danger, souvent avec moins de 1 000 utilisateurs (Ethnologue, How Many Languages 2026).
- Seules 195 des 546 langues peu dotées (36%) ont atteint un taux d’erreur sur les caractères inférieur à 10 dans le modèle 7B de Meta, contre 236 des 249 langues bien dotées (Meta FAIR, article Omnilingual ASR 2025).
- 65% de l’audio d’entraînement de Whisper était de la reconnaissance vocale en anglais, soit 438 218 heures, tandis que 96 autres langues se partageaient 117 113 heures (OpenAI, article Whisper 2022).
- Un modèle kinyarwanda a atteint un taux d’erreur sur les mots inférieur à 13% avec seulement 50 heures de données d’entraînement (Akera et al., étude de montée en volume des données 2025).
- Le meilleur modèle swahili est passé de 24,81% de WER avec 1 heure de données à 11,36% avec 400 heures (Nahabwe et al., Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech contient 42 593 heures, dont 29 295 validées, dans la version 27.0 (Mozilla, dépôt cv-dataset de Common Voice 2026).
- Project Vaani a enregistré 31 278,37 heures de parole indienne, mais seulement environ 6,8% sont transcrites (IISc et ARTPARK, tableau de bord Project Vaani 2026).
- African Next Voices a enregistré plus de 9 000 heures dans 18 langues au Kenya, au Nigeria et en Afrique du Sud (Université de Pretoria, actualité African Next Voices 2025).
- Le fine-tuning sur le corpus NaijaVoices de 1 800 heures a amélioré de 75,86% le taux d’erreur sur les mots moyen de Whisper en igbo, haoussa et yoruba (article du jeu de données NaijaVoices, Interspeech 2025).
- L’Universal Speech Model de Google a devancé Whisper de 66% en WER relatif sur 62 langues FLEURS avec un ensemble annoté environ sept fois plus petit (Google, article USM 2023).
- IndicVoices contient 7 348 heures de 16 237 locuteurs dans 22 langues indiennes (article du jeu de données IndicVoices 2024).
1. Combien de langues du monde disposent d’une reconnaissance vocale
Le dénominateur est toute l’histoire. Ethnologue recense 7 170 langues en usage aujourd’hui, et seulement 20 d’entre elles, soit 0,3% du total, sont les langues maternelles de plus de 3,7 milliards de personnes (Ethnologue, How Many Languages 2026). La reconnaissance vocale a suivi cette concentration : en 2023 encore, l’Universal Speech Model de Google couvrait 100+ langues.
Même le plus large système ouvert actuel, avec plus de 1 600 langues, n’atteint qu’environ un cinquième du décompte d’Ethnologue. La disparition des langues est l’autre face de cet écart, traitée dans nos statistiques sur les langues en danger. L’Afrique à elle seule compte plus de 2 000 langues, dont beaucoup sont dépourvues de données vocales transcrites.
| Métrique | Valeur | Source |
|---|---|---|
| Langues en usage dans le monde | 7 170 | Ethnologue, How Many Languages 2026 |
| Part des langues vivantes en danger | Environ 44%, souvent avec moins de 1 000 utilisateurs restants | Ethnologue, How Many Languages 2026 |
| Locuteurs natifs des 20 plus grandes langues | Plus de 3,7 milliards de personnes, près de la moitié de la population mondiale, pour 0,3% de toutes les langues | Ethnologue, How Many Languages 2026 |
| Langues parlées à travers l’Afrique | Plus de 2 000, beaucoup sans données vocales transcrites | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Langues couvertes par l’Universal Speech Model de Google pour la reconnaissance vocale | 100+ | Google, article USM 2023 |
| Langues de la 8e annexe de la Constitution indienne couvertes par IndicASR, que ses auteurs présentent comme le premier modèle à toutes les prendre en charge | 22 | Article du jeu de données IndicVoices 2024 |
| Langues couvertes par le plus large système d’ASR ouvert | 1 600+ (plus de 500 jamais servies par un système d’ASR auparavant), soit environ 22% des 7 170 en usage (1 600 / 7 170) | Meta FAIR, article Omnilingual ASR 2025 ; Ethnologue 2026 |
Contexte : ce système de plus de 1 600 langues exclut volontairement environ 150 langues (langues des signes, langues construites et langues sans système d’écriture établi), si bien qu’une partie du total non couvert échappe à la portée d’une reconnaissance vocale qui produit du texte. Données les plus récentes disponibles pour USM : 2023.
2. Heures d’entraînement : l’anglais face à la longue traîne
Les données d’entraînement de la reconnaissance vocale ne forment pas une distribution, c’est une falaise. Les données de reconnaissance vocale en anglais de Whisper (438 218 heures) étaient environ 81 000 fois plus volumineuses que ses données en swahili (5,4 heures) (438 218 / 5,4 = 81 151), et le lao, le soundanais et le birman ont reçu 0,1 heure chacun. Même face au chinois, la langue non anglaise la mieux dotée avec 23 446 heures, l’anglais disposait d’environ 19 fois plus d’audio (438 218 / 23 446 = 18,7).
Les systèmes plus récents classent les langues en catégories de ressources, et les frontières sont révélatrices : une langue est considérée comme bien dotée (largement pourvue en données d’entraînement) dès plus de 50 heures seulement. Des jeux de données conçus à dessein peuvent faire franchir cette ligne à une langue : IndicVoices rapporte une médiane de 73 heures transcrites par langue sur ses 22 langues (article du jeu de données IndicVoices 2024).
| Métrique | Valeur | Source |
|---|---|---|
| Audio d’entraînement de Whisper : reconnaissance vocale en anglais contre 96 autres langues | 438 218 heures (65%) contre 117 113 heures (17%) | OpenAI, article Whisper 2022 |
| Heures de reconnaissance vocale de Whisper par langue, la plus grande contre la plus petite | Chinois 23 446 ; allemand 13 344 ; espagnol 11 100 contre swahili 5,4 ; lao, soundanais et birman 0,1 chacun | OpenAI, article Whisper 2022 |
| Langues du benchmark FLEURS sans aucune donnée d’entraînement Whisper | 20 sur 102 | OpenAI, article Whisper 2022 |
| Langues d’Omnilingual ASR selon les données d’entraînement annotées : plus de 50 heures / 10 à 50 heures / moins de 10 heures | 249 / 881 / 546 langues | Meta FAIR, article Omnilingual ASR 2025 |
| Données d’évaluation FLEURS par langue | Environ 12 heures de parole dans chacune des 102 langues | Google, article FLEURS 2022 |
| Audio transcrit d’IndicVoices | 1 639 heures, médiane de 73 heures par langue | Article du jeu de données IndicVoices 2024 |
Données les plus récentes disponibles pour Whisper : 2022. Les heures ci-dessus concernent uniquement les données de reconnaissance vocale, distinctes de l’audio de traduction de Whisper. Nous n’avons trouvé aucune ventilation équivalente par langue pour les versions ultérieures de Whisper.
3. Taux d’erreur : langues peu dotées contre langues bien dotées
Le taux d’erreur sur les mots (WER) est la part des mots qu’un système se trompe, en comptant les substitutions, les suppressions et les insertions ; comme les mots insérés comptent, il peut dépasser 100% lorsqu’un modèle produit plus de mots erronés que la référence n’en contient. Whisper large-v2 a obtenu 4,2% de WER en anglais mais 121,0% en shona sur le benchmark FLEURS, si bien que pour le shona les erreurs étaient plus nombreuses que les mots réellement prononcés (OpenAI, article Whisper 2022). Une manière connue d’en arriver là est d’écrire un texte fluide que personne n’a prononcé, le mode de défaillance suivi dans nos statistiques sur les hallucinations en reconnaissance vocale.
Les modèles plus récents laissent l’écart en place. Dans le tableau ci-dessous, le taux d’erreur sur les caractères (CER, la même idée comptée par lettre plutôt que par mot) est resté inférieur à 10 pour environ 95% des langues disposant de 10 heures de données ou plus (1 077 sur 1 130), mais pour tout juste plus d’un tiers du groupe de moins de 10 heures. Au sein d’un même modèle, le volume de données suffit à lui seul à séparer ces résultats.
| Métrique | Valeur | Source |
|---|---|---|
| Taux d’erreur sur les mots de Whisper large-v2 sur FLEURS : anglais / espagnol / swahili | 4,2% / 3,0% / 39,3% | OpenAI, article Whisper 2022 |
| Taux d’erreur sur les mots de Whisper large-v2 sur FLEURS : yoruba / somali / shona / sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, article Whisper 2022 |
| Langues d’Omnilingual 7B LLM-ASR avec un taux d’erreur sur les caractères inférieur à 10, par niveau de ressources : élevé / moyen / faible | 236 sur 249 / 841 sur 881 / 195 sur 546 (l’article arrondit la part des langues peu dotées à 36%) | Meta FAIR, article Omnilingual ASR 2025 |
| Taux d’erreur moyen sur les caractères d’Omnilingual 7B LLM-ASR : langues bien dotées contre langues peu dotées | 3,13 contre 18,0 | Meta FAIR, article Omnilingual ASR 2025 |
Note sur les valeurs aberrantes : les lignes Whisper proviennent du tableau large-v2 de l’article de 2022, le plus récent tableau par langue de ce type disponible. Le WER et le CER sont des mesures différentes, les lignes Whisper et Omnilingual ne peuvent donc pas être comparées directement.
4. Quel volume de données comble l’écart
La découverte encourageante de 2025 est que le seuil d’une reconnaissance exploitable se mesure en dizaines d’heures, pas en milliers. Un modèle kinyarwanda a atteint une précision pratique, un taux d’erreur sur les mots inférieur à 13%, avec seulement 50 heures de données d’entraînement, et est passé sous 10% à 200 heures (Akera et al., étude de montée en volume des données 2025). Si cela vaut pour d’autres langues, une seule campagne d’enregistrement financée suffit pour obtenir un premier modèle exploitable.
La qualité des données compte aussi. La même étude a attribué 38,6% des cas à erreur élevée à des transcriptions de référence bruitées, c’est-à-dire qu’une part des « erreurs » tenait au texte de référence lui-même, qui était faux. Et les résultats en swahili d’un autre benchmark portant sur 13 langues montrent ce que le seul volume apporte : passer de 1 à 400 heures a plus que divisé par deux le meilleur taux d’erreur, mais 11,36% reste bien au-dessus du score de Whisper en anglais vu en section 3.
| Métrique | Valeur | Source |
|---|---|---|
| Données d’entraînement en kinyarwanda nécessaires pour un taux d’erreur sur les mots inférieur à 13% | Seulement 50 heures | Akera et al., étude de montée en volume des données kinyarwanda et kikuyu 2025 |
| Taux d’erreur sur les mots en kinyarwanda avec 200 heures de données d’entraînement | Inférieur à 10% | Akera et al., étude de montée en volume des données kinyarwanda et kikuyu 2025 |
| Cas à erreur élevée causés par des transcriptions de référence bruitées | 38,6% | Akera et al., étude de montée en volume des données kinyarwanda et kikuyu 2025 |
| Langues africaines évaluées, avec des sous-ensembles de fine-tuning de 1, 5, 10, 20, 50, 100 et 200 heures | 13 langues (le swahili seul disposait aussi d’un sous-ensemble de 400 heures) | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Meilleur taux d’erreur sur les mots en swahili avec 400 heures de données de fine-tuning (XLS-R contre Whisper) | 11,36% contre 16,88% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
Contexte : les 13 langues du benchmark de Nahabwe et al. sont l’afrikaans, l’akan, le bambara, le bemba, l’éwé, le kinyarwanda, le lingala, le luganda, le shona, le swahili, le wolof, le xhosa et le zoulou.
5. Jeux de données vocales issus du crowdsourcing et des communautés
Les jeux de données ouverts, construits par les communautés, sont l’endroit où les données vocales de la longue traîne deviennent publiques. Le jeu de données Scripted Speech de Mozilla Common Voice a été multiplié par environ 31, passant de 1 368 heures dans sa première version à 42 593 heures dans la version 27.0 (42 593 / 1 368 = 31,1), et le dépôt liste 295 langues (Mozilla, dépôt cv-dataset de Common Voice 2026). Le goulot d’étranglement est passé de l’enregistrement à la vérification : environ 31% de ces heures ne sont pas validées (29 295 / 42 593 = 68,8% validées).
Les projets régionaux montrent le même schéma à plus grande échelle. Project Vaani a rassemblé plus de 31 000 heures de parole indienne, mais n’en a transcrit qu’environ 6,8% (2 122,21 / 31 278,37), et a couvert 165 des 773 districts de l’Inde (21,3%). En Afrique, deux projets rapportés en 2025 totalisent plus de 10 800 heures à eux deux (9 000+ plus 1 800), contre les 5,4 heures de swahili dans les données de reconnaissance vocale de Whisper.
| Métrique | Valeur | Source |
|---|---|---|
| Heures totales de Common Voice Scripted Speech : version 1 contre version 27.0 (données arrêtées en septembre 2026) | 1 368 contre 42 593 heures | Mozilla, dépôt cv-dataset de Common Voice 2026 |
| Heures validées de Common Voice Scripted Speech, version 27.0 | 29 295 (68,8% du total) | Mozilla, dépôt cv-dataset de Common Voice 2026 |
| Langues listées pour Common Voice Scripted Speech : version 19.0 (2024) contre version 27.0 (2026) | 131 contre 295 | Mozilla, version 19.0 de Common Voice 2024 ; dépôt cv-dataset 2026 |
| Common Voice Spontaneous Speech version 5.0 | 541 heures (302 validées), 80 langues | Mozilla, dépôt cv-dataset de Common Voice 2026 |
| Parole collectée par Project Vaani en Inde | 31 278,37 heures auprès de 156 208 locuteurs dans 105 langues, 165 districts sur 773 | IISc et ARTPARK, tableau de bord Project Vaani 2026 |
| Parole transcrite de Project Vaani | 2 122,21 heures (environ 6,8% de l’audio collecté) | IISc et ARTPARK, tableau de bord Project Vaani 2026 |
| Parole enregistrée par African Next Voices | Plus de 9 000 heures dans 18 langues dans 3 pays | Université de Pretoria, actualité African Next Voices 2025 |
| Données parole-texte de NaijaVoices | 1 800 heures auprès de plus de 5 000 locuteurs en igbo, haoussa et yoruba | Article du jeu de données NaijaVoices, Interspeech 2025 |
Contexte : l’objectif affiché de Project Vaani est de plus de 150 000 heures de parole provenant des 773 districts, si bien que le tableau de bord actuel représente environ un cinquième de l’audio prévu (31 278,37 / 150 000 = 20,9%).
6. Approches : préentraînement auto-supervisé, lectures de textes religieux et extension par quelques exemples
La longue traîne est atteinte par trois tactiques. Le préentraînement auto-supervisé (le modèle apprend d’abord à partir d’audio non transcrit, puis n’a besoin que d’un petit ensemble annoté) en est la couche de base ; l’Universal Speech Model de Google a devancé Whisper de 66% en taux d’erreur sur les mots relatif sur 62 langues FLEURS, tout en utilisant un ensemble annoté environ sept fois plus petit (Google, article USM 2023). Des lectures de textes religieux accessibles au public ont fourni au projet MMS en moyenne 32 heures par langue, une moyenne qui se situe dans la tranche de 10 à 50 heures de la section 2.
La tactique la plus récente est l’extension par quelques exemples : donner à un modèle une poignée d’exemples appariés d’audio et de texte au moment de l’exécution et le laisser s’adapter sans réentraînement. Le panorama plus large des modèles partagés qui traitent de nombreuses langues à la fois est présenté dans nos statistiques sur les modèles de fondation vocaux multilingues. L’efficacité en données varie aussi selon la conception : avec 1 heure de swahili, MMS, bâti sur un préentraînement auto-supervisé, a devancé Whisper de 26,52 points de WER (51,33 - 24,81).
| Métrique | Valeur | Source |
|---|---|---|
| Données annotées de MMS issues de lectures de textes religieux | 44,7K heures dans 1 107 langues, soit environ 32 heures par langue en moyenne | Meta AI, article et blog MMS 2023 |
| Taux d’erreur sur les caractères pour des langues absentes de l’entraînement : modèle de référence CTC contre modèle zero-shot (sans réentraînement) recevant 10 exemples de contexte | 26,33% contre 14,4% | Meta FAIR, article Omnilingual ASR 2025 |
| Données d’entraînement supervisé d’USM contre celles de Whisper, anglais exclu | 90k heures contre 117k heures, Whisper étant devancé de 66% en WER relatif sur 62 langues FLEURS | Google, article USM 2023 |
| Taux d’erreur sur les mots en swahili après 1 heure de fine-tuning : MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Amélioration moyenne du taux d’erreur sur les mots après fine-tuning sur NaijaVoices : Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Article du jeu de données NaijaVoices, Interspeech 2025 |
Note sur les valeurs aberrantes : l’article USM décrit son ensemble YouTube annoté comme couvrant 73 langues dans l’introduction et 75 dans la section 3.1. Données les plus récentes disponibles pour MMS et USM : 2023.
Résumé : la couverture de la reconnaissance vocale des langues peu dotées en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Langues en usage dans le monde | 7 170 | Ethnologue, How Many Languages 2026 |
| Langues couvertes par le plus large système d’ASR ouvert | 1 600+, dont plus de 500 jamais servies auparavant | Meta FAIR, article Omnilingual ASR 2025 |
| Langues peu dotées (moins de 10 heures) avec un taux d’erreur sur les caractères inférieur à 10 | 195 sur 546 (36%) | Meta FAIR, article Omnilingual ASR 2025 |
| Part de l’audio d’entraînement de Whisper consacrée à la reconnaissance vocale en anglais | 65% (438 218 heures) | OpenAI, article Whisper 2022 |
| Langues parlées à travers l’Afrique | Plus de 2 000 | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Données en kinyarwanda nécessaires pour un taux d’erreur sur les mots inférieur à 13% | Seulement 50 heures | Akera et al., étude de montée en volume des données 2025 |
| Taux d’erreur sur les mots en kinyarwanda à 200 heures | Inférieur à 10% | Akera et al., étude de montée en volume des données 2025 |
| Meilleur taux d’erreur sur les mots en swahili : 1 heure contre 400 heures de données de fine-tuning | 24,81% contre 11,36% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Heures de Common Voice Scripted Speech, version 27.0 | 42 593 au total, 29 295 validées | Mozilla, dépôt cv-dataset de Common Voice 2026 |
| Langues listées pour Common Voice Scripted Speech | 295 | Mozilla, dépôt cv-dataset de Common Voice 2026 |
| Audio de Project Vaani collecté contre transcrit | 31 278,37 contre 2 122,21 heures | IISc et ARTPARK, tableau de bord Project Vaani 2026 |
| Audio d’IndicVoices | 7 348 heures, 16 237 locuteurs, 22 langues | Article du jeu de données IndicVoices 2024 |
| Parole enregistrée par African Next Voices | Plus de 9 000 heures, 18 langues | Université de Pretoria, actualité African Next Voices 2025 |
| Données parole-texte de NaijaVoices | 1 800 heures, 3 langues | Article du jeu de données NaijaVoices, Interspeech 2025 |
| USM contre Whisper sur 62 langues FLEURS | WER relatif inférieur de 66% | Google, article USM 2023 |
Méthodologie et sources
- Ethnologue, How Many Languages Are There in the World? (page consultée en octobre 2026) : langues vivantes, part des langues en danger, concentration des 20 premières langues.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (article Whisper), 2022 : heures d’entraînement par langue (Figure 11) et taux d’erreur sur les mots FLEURS (Tableau 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (article MMS), 2023, avec l’annonce de MMS ; et Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10 novembre 2025.
- Google, article Universal Speech Model, 2023, et article du benchmark FLEURS, 2022.
- Mozilla, dépôt cv-dataset de Common Voice (version 27.0, données arrêtées en septembre 2026), le billet de la version Common Voice 19.0 (annoncée le 18 septembre 2024) et les notes de version de Scripted Speech 26.0 (19 juin 2026).
- IISc et ARTPARK, tableau de bord en direct de Project Vaani (consulté en octobre 2026).
- Article du jeu de données IndicVoices, 4 mars 2024.
- Akera et al., How much speech data is necessary for ASR in African languages?, 8 octobre 2025.
- Nahabwe et al., Benchmarking Automatic Speech Recognition Models for African Languages, 30 novembre 2025.
- The NaijaVoices Dataset, accepté à Interspeech 2025.
- Université de Pretoria, African Next Voices featured in Nature, 1er août 2025.
- Note sur les données : le nombre de langues diffère selon la source et la méthode (les 7 170 d’Ethnologue comptent les langues en usage ; les articles d’ASR comptent les codes ISO 639-3 et excluent les langues des signes et les langues sans écriture), les parts de couverture sont donc des approximations. Le nombre de langues de Common Voice est passé de 131 (version 19.0) à 295 (version 27.0) ; le dépôt ne précise pas si le chiffre récent ne compte que les langues dont l’audio est publié, il faut donc l’interpréter comme des langues listées. La part validée de 68,8% est calculée à partir des données du graphique du dépôt, tandis que les notes de version 26.0 décrivent environ 25% de l’audio de Scripted Speech comme encore en attente de validation ; les deux mesures ne sont pas identiques. Lors de l’annonce de la version 19.0, un commentaire sur le forum notait que seules 129 de ses 131 langues pouvaient être téléchargées, si bien que le nombre de langues listées et celui de langues publiées peuvent différer. Les chiffres d’African Next Voices proviennent d’une page d’actualité universitaire résumant la couverture de Nature, et nous n’avons pas lu d’article sur le jeu de données. Les chiffres de Whisper (2022), FLEURS (2022), MMS (2023) et USM (2023) ont tous plus de trois ans et sont signalés comme données les plus récentes disponibles. Le texte de l’article Omnilingual (549) et son Tableau 8 (546) divergent sur le nombre de langues peu dotées ; nous utilisons les valeurs du tableau.
Dernière mise à jour : 31 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque Mozilla publiera la version 28.0 de Common Voice Scripted Speech.