Omnilingual ASR de Meta transcrit plus de 1 600 langues, dont plus de 500 qu’aucun système de reconnaissance vocale n’avait jamais prises en charge (Meta FAIR, Omnilingual ASR 2025), et pourtant cela reste moins du quart des 7 170 langues vivantes recensées dans l’édition 2026 d’Ethnologue. Deux ans plus tôt, la référence était Whisper, entraîné sur 680 000 heures dont seulement 117 000 réparties sur 96 langues autres que l’anglais (OpenAI, article Whisper 2022). Le plus grand corpus ouvert issu du crowdsourcing, Mozilla Common Voice, couvre désormais 289 langues et 38 932 heures (Common Voice 24.0, 2025), et les produits à la croissance la plus rapide, de la traduction en direct à la dictée, reposent tous sur ces modèles de fondation, comme le suit aussi notre tour d’horizon des statistiques de la reconnaissance vocale. Nous avons agrégé des données de Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets et d’autres sources primaires listées dans la méthodologie.
TL;DR
- Omnilingual ASR couvre 1 600+ langues, dont 500+ jamais prises en charge par un ASR auparavant (Meta FAIR, Omnilingual ASR 2025).
- L’apprentissage en contexte sans exemple d’entraînement pourrait étendre Omnilingual ASR à plus de 5 400 langues (Meta, novembre 2025).
- Il existe 7 170 langues vivantes, un gain net de 11 en un an (Ethnologue, 29e édition 2026).
- 40% de la population mondiale n’a pas accès à l’éducation dans une langue qu’elle comprend (Rapport GEM de l’UNESCO 2025).
- MMS de Meta identifie 4 017 langues parlées et en transcrit 1 107 (Meta, article MMS 2023).
- L’USM de Google a été entraîné sur 12 millions d’heures de parole couvrant 300+ langues (Google Research 2023).
- Whisper large-v3 a été entraîné sur environ 5 millions d’heures, dont 4 millions pseudo-annotées (OpenAI, novembre 2023).
- Le taux d’erreur sur les mots de Whisper est divisé par deux à chaque multiplication par 16 des données d’entraînement par langue (OpenAI, article Whisper 2022).
- Common Voice 24.0 : 38 932 heures sur 289 langues (Mozilla, décembre 2025).
- Taux d’erreur sur les caractères inférieur à 10 pour 78% des langues d’Omnilingual ASR (Meta, novembre 2025).
- Gemini 3.5 Live Translate prend en charge 70+ langues et 2 000+ combinaisons dans un seul appel Meet (Google, juin 2026).
- Les locuteurs noirs ont obtenu un WER moyen de 0,35 contre 0,19 pour les locuteurs blancs sur cinq systèmes commerciaux (PNAS, 2020).
1. L’écart linguistique : 7 170 langues, quelques centaines prises en charge
Le dénominateur compte. La 29e édition d’Ethnologue recense 7 170 langues vivantes, soit un gain net de 11 par rapport à l’année précédente, après plus de 8 000 mises à jour de la base de données et huit langues reclassées d’éteintes à vivantes (Ethnologue, bienvenue dans la 29e édition, février 2026). Avant 2023, souligne l’équipe MMS, les systèmes vocaux grand public n’en géraient qu’environ 100. Même après le saut à 1 600+, environ trois langues vivantes sur quatre n’ont toujours aucun système de reconnaissance vocale prêt à l’emploi.
Cet écart n’a rien d’académique. L’équipe du Rapport mondial de suivi sur l’éducation de l’UNESCO indique que 40% de la population mondiale n’a pas accès à l’éducation dans une langue qu’elle comprend, une part qui atteint 90% dans certains pays à revenu faible ou intermédiaire (Rapport GEM de l’UNESCO, Les langues comptent). Une technologie vocale qui ignore ces langues ignore aussi les personnes pour qui les interfaces vocales compteraient le plus, un thème que nos statistiques sur les langues en danger abordent sous l’angle de la préservation.
| Métrique | Valeur | Source |
|---|---|---|
| Langues vivantes, 2026 | 7 170 (gain net de +11 en un an) | Ethnologue, 29e édition 2026 |
| Langues vivantes, 2025 | 7 159 | Ethnologue, 28e édition 2025 |
| Langues en danger | 3 193 (45% des langues vivantes) | Ethnologue, 28e édition 2025 |
| Langues ‘mourantes’ | 1 030 (14%) | Ethnologue, 28e édition 2025 |
| Population sans accès à l’éducation dans une langue qu’elle comprend | 40% (jusqu’à 90% dans certains pays à revenu faible ou intermédiaire) | Rapport GEM de l’UNESCO 2025 |
| Langues couvertes par les systèmes vocaux courants avant MMS | Environ 100 | Meta, article MMS 2023 |
| Langues jamais prises en charge par un ASR auparavant, ajoutées par Omnilingual ASR | Plus de 500 | Meta FAIR, Omnilingual ASR 2025 |
Note de contexte : les chiffres des langues en danger et mourantes proviennent de l’édition 2025 telle que résumée dans la presse ; les chiffres complets d’Ethnologue sont réservés aux abonnés. L’UNESCO associe le chiffre de 40% à de lourdes pénalités d’apprentissage : au Honduras, 94% des élèves de 6e année parlant la langue d’enseignement ont atteint les bases de la lecture, contre 62% de ceux qui ne la parlaient pas.
2. La course à la couverture : combien de langues chaque modèle gère-t-il
Le nombre de langues a progressé d’un ordre de grandeur en trois ans. MMS de Meta identifie 4 017 langues et en transcrit et synthétise 1 107, construit en grande partie à partir d’enregistrements du Nouveau Testament, avec des modèles pré-entraînés couvrant 1 406 langues (MMS : passer la technologie vocale à plus de 1 000 langues). Omnilingual ASR a ensuite porté la transcription au-delà de 1 600 et, grâce à l’apprentissage en contexte sans exemple d’entraînement à partir de quelques exemples appariés, revendique une portée potentielle de plus de 5 400 langues (Meta AI, annonce d’Omnilingual ASR).
Les produits commerciaux sont bien plus prudents, et l’écart montre où se situe la barre de qualité. Chirp 3 de Google Cloud liste 24 langues de transcription en disponibilité générale et 76 en préversion (Google Cloud, documentation Chirp 3), alors que les modèles de recherche en revendiquent des centaines. La traduction de la parole se situe entre les deux : SeamlessM4T de Meta accepte la parole en 101 langues mais ne parle qu’en 36 (Nature, traduction automatique conjointe de la parole et du texte pour jusqu’à 100 langues), un rappel que générer de la parole est plus difficile que de la reconnaître.
| Métrique | Valeur | Source |
|---|---|---|
| Transcription Omnilingual ASR | 1 600+ langues | Meta FAIR, novembre 2025 |
| Potentiel d’Omnilingual ASR via l’apprentissage sans exemple d’entraînement | 5 400+ langues | Meta, novembre 2025 |
| MMS identification des langues / ASR et TTS / pré-entraînement | 4 017 / 1 107 / 1 406 langues | Meta, article MMS 2023 |
| Couverture du pré-entraînement de Google USM | 300+ langues | Google Research, mars 2023 |
| Whisper large-v3 | 99 langues | Hugging Face Open ASR Leaderboard 2025 |
| Traduction parole-parole SeamlessM4T | 101 langues en entrée, 36 en sortie | Meta, Nature 2025 |
| Transcription Google Chirp 3 | 24 langues en disponibilité générale + 76 en préversion | Documentation Google Cloud 2026 |
| Embeddings vocaux Meta OmniSONAR | 177 langues parlées dans un espace sémantique de 200 langues | Meta, article OmniSONAR 2026 |
La traduction en temps réel est entrée dans les applications grand public. Gemini 3.5 Live Translate détecte 70+ langues et prend en charge plus de 2 000 combinaisons de langues dans une seule session Google Meet, contre cinq langues auparavant (Google, Gemini 3.5 Live Translate, juin 2026). Google indique que les utilisateurs traduisent environ 1 000 milliards de mots par mois sur Translate, Search, Lens et Circle to Search (Google, août 2025). Davantage d’éléments sur l’adoption au niveau des appareils figurent dans nos statistiques de la traduction parole-parole.
| Métrique | Valeur | Source |
|---|---|---|
| Langues de Gemini 3.5 Live Translate | 70+ | Google, juin 2026 |
| Combinaisons de langues dans un seul appel Meet | 2 000+ (auparavant 5 langues) | Google, juin 2026 |
| Langues de conversation en direct de Google Translate | 70+ | Google, août 2025 |
| Mots traduits par mois sur les produits Google | Environ 1 000 milliards | Google, août 2025 |
| Tailles des modèles à poids ouverts Mistral Voxtral | 24 milliards et 3 milliards de paramètres | Mistral AI, juillet 2025 |
| Durée audio maximale de Voxtral | 30 minutes en transcription, 40 minutes en compréhension | Mistral AI, juillet 2025 |
3. Volume des données d’entraînement : de 680 000 heures à 12 millions
Le budget de données derrière ces modèles a augmenté bien plus vite que le nombre de langues. L’Universal Speech Model de Google a été entraîné sur 12 millions d’heures de parole et 28 milliards de phrases de texte, avec 2 milliards de paramètres (Google Research, USM), soit environ 18 fois le corpus initial de Whisper. OpenAI lui-même est passé de 680 000 heures à environ 5 millions pour Whisper large-v3, dont 4 millions pseudo-annotées par le modèle précédent (OpenAI, notes de version de large-v3).
C’est la répartition au sein de ces corpus qui est révélatrice. Les 680 000 heures initiales de Whisper comprenaient 117 000 heures sur 96 langues autres que l’anglais et 125 000 heures de traduction vers l’anglais (article Whisper). Par soustraction (680 000 moins 117 000 moins 125 000), environ 438 000 heures, soit à peu près 64%, relevaient de la transcription en anglais. Le jeu annoté de MMS ne comptait en moyenne que 32 heures par langue, et les données publiées d’Omnilingual ASR comptent environ 10 heures transcrites par langue. Les modèles massivement multilingues reposent sur une longue traîne qui se mesure en heures, et non en milliers d’heures.
| Métrique | Valeur | Source |
|---|---|---|
| Audio d’entraînement de Whisper | 680 000 heures | OpenAI, article Whisper 2022 |
| Données de reconnaissance de Whisper hors anglais | 117 000 heures sur 96 langues | OpenAI, article Whisper 2022 |
| Données de traduction X vers anglais de Whisper | 125 000 heures | OpenAI, article Whisper 2022 |
| Transcription en anglais de Whisper (dérivée) | Environ 438 000 heures (environ 64%) | Calculé à partir des chiffres d’OpenAI |
| Données d’entraînement de Whisper large-v3 | 1 M d’heures faiblement annotées + 4 M d’heures pseudo-annotées | OpenAI, novembre 2023 |
| Google USM | 12 M d’heures de parole, 28 Md de phrases de texte, 2 Md de paramètres | Google Research, 2023 |
| Pré-entraînement auto-supervisé de MMS | Environ 500 000 heures sur 1 400+ langues | Meta, mai 2023 |
| Données annotées de MMS par langue | 32 heures en moyenne | Meta, mai 2023 |
La dernière pile de Meta fait monter les deux extrémités. Omnilingual ASR a pré-entraîné un encodeur wav2vec 2.0 de 7 milliards de paramètres sur 3,84 millions d’heures couvrant 1 239 langues, plus 460 000 heures sans étiquette de langue, et son corpus supervisé AllASR contient 120 710 heures sur 1 690 langues (article Omnilingual ASR). La plus petite variante publiée compte 300 millions de paramètres, destinée aux appareils à faible consommation.
| Métrique | Valeur | Source |
|---|---|---|
| Pré-entraînement non annoté d’Omnilingual ASR | 3,84 M d’heures, 1 239 langues | Meta FAIR, article Omnilingual ASR 2025 |
| Parole non annotée supplémentaire sans identifiant de langue | 460 000 heures | Meta FAIR, 2025 |
| Corpus annoté AllASR | 120 710 heures, 1 690 langues | Meta FAIR, 2025 |
| Parole transcrite moyenne par langue (données publiées) | Environ 10 heures | Meta FAIR, 2025 |
| Plus grand / plus petit modèle | 7 Md / 300 M de paramètres | Meta FAIR, 2025 |
4. Jeux de données ouverts et benchmarks derrière les modèles
C’est dans les données ouvertes que se construit la couverture de la longue traîne. Mozilla Common Voice Scripted Speech 24.0 a atteint 38 932 heures sur 289 langues, dont 25 886 validées (annonce de la version sur Mozilla Discourse, décembre 2025). Le plus grand bond est survenu une version plus tôt, quand Common Voice 23.0 a ajouté 149 langues et plus que doublé son total pour atteindre 286 (Mozilla Data Collective). Le volume d’heures n’a progressé que d’environ 8% entre ces deux versions : les nouvelles langues arrivent donc avec très peu d’audio chacune.
L’évaluation reste bien plus étroite que l’entraînement. FLEURS, le benchmark multilingue de référence, couvre 102 langues avec environ 12 heures de parole par langue (article FLEURS), et la piste multilingue du Hugging Face Open ASR Leaderboard ne teste que cinq langues sur plus de 60 modèles issus de 18 organisations (Hugging Face, Open ASR Leaderboard). Les affirmations de ‘1 600 langues’ ne sont donc vérifiées que sur une fraction de ce nombre.
| Métrique | Valeur | Source |
|---|---|---|
| Common Voice 24.0 heures totales / validées | 38 932 / 25 886 | Mozilla, décembre 2025 |
| Langues de Common Voice 24.0 | 289 | Mozilla, décembre 2025 |
| Langues ajoutées dans Common Voice 23.0 | 149 (total 286) | Mozilla Data Collective, septembre 2025 |
| Parole spontanée de Common Voice 23.0 | 357 heures sur 51 langues | Mozilla Data Collective, septembre 2025 |
| Jeux de données Spontaneous Speech 2.0 | 62 | Mozilla, décembre 2025 |
| Benchmark FLEURS | 102 langues, environ 12 heures chacune | Conneau et al., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 langues mal desservies (CC-BY) | Meta, novembre 2025 |
L’Europe a eu son propre grand corpus ouvert. Granary de NVIDIA contient environ 1 million d’heures : près de 650 000 pour la reconnaissance et plus de 350 000 pour la traduction, sur 25 langues européennes, dont le croate, l’estonien et le maltais (blog NVIDIA, août 2025). L’article associé, accepté à Interspeech 2025, indique que les modèles atteignent des performances similaires avec environ 50% de données en moins que sur les jeux de données précédents (article Granary).
| Métrique | Valeur | Source |
|---|---|---|
| Audio total de Granary | Environ 1 million d’heures | NVIDIA, août 2025 |
| Répartition reconnaissance / traduction de Granary | Environ 650 000 / 350 000+ heures | NVIDIA, août 2025 |
| Langues de Granary | 25 langues européennes | NVIDIA, août 2025 |
| Données nécessaires par rapport aux jeux précédents pour la même précision | Environ 50% de moins | Article Granary, Interspeech 2025 |
| Couverture de l’Open ASR Leaderboard | 60+ modèles, 18 organisations, 11 jeux de données | Hugging Face, novembre 2025 |
| Modèles ASR hébergés sur le Hugging Face Hub | Environ 27 000 | Hugging Face, novembre 2025 |
| Langues de la piste multilingue du leaderboard | 5 | Hugging Face, novembre 2025 |
5. Précision : les données par langue l’emportent sur la taille du modèle
Le chiffre le plus utile du domaine est une loi d’échelle. Les auteurs de Whisper ont trouvé une corrélation au carré de 0,83 entre le logarithme du taux d’erreur sur les mots et le logarithme des heures d’entraînement par langue, le WER étant divisé par deux à chaque multiplication par 16 des données (OpenAI, article Whisper). Cette même relation n’était que de 0,24 pour la traduction de la parole. Pour une langue disposant de 10 heures d’audio, la voie pratique vers une précision exploitable passe par davantage de données, pas par un modèle plus gros.
Les gains de couverture ont eu un coût de précision étonnamment faible. Meta a indiqué que le passage de MMS de 61 à 1 107 langues n’avait augmenté le taux d’erreur sur les caractères que d’environ 0,4%, tandis que MMS a divisé par deux le taux d’erreur sur les mots de Whisper sur 54 langues FLEURS (Meta AI, annonce de MMS). Omnilingual ASR atteint un taux d’erreur sur les caractères inférieur à 10 pour 78% de ses 1 600+ langues. Ces chiffres sont auto-déclarés, mais chaque affirmation est rattachée à un benchmark public.
| Métrique | Valeur | Source |
|---|---|---|
| Corrélation, log WER et log des heures d’entraînement (ASR) | r au carré = 0,83 | OpenAI, article Whisper 2022 |
| Même corrélation pour la traduction de la parole | r au carré = 0,24 | OpenAI, article Whisper 2022 |
| Amélioration du WER par multiplication par 16 des données | Divisé par deux | OpenAI, article Whisper 2022 |
| MMS contre Whisper sur 54 langues FLEURS | Environ la moitié du WER | Meta, MMS 2023 |
| Hausse du CER en passant MMS de 61 à 1 107 langues | Environ 0,4% | Meta, mai 2023 |
| Langues d’Omnilingual ASR avec un CER inférieur à 10 | 78% | Meta, novembre 2025 |
| Réduction d’erreur de Whisper large-v3 par rapport à large-v2 | 10% à 20% | OpenAI, novembre 2023 |
Les chiffres de Google vont dans le même sens. USM a affiché un WER relatif inférieur de 32,7% à celui de Whisper sur 18 langues comparables et un WER moyen inférieur à 30% sur 73 langues de sous-titres YouTube, avec un WER relatif inférieur de 65,8% sur FLEURS sans données du domaine. L’efficacité est désormais une seconde course : Canary-1b-v2 de NVIDIA, à un milliard de paramètres, revendique une qualité comparable à des modèles 3 fois plus gros avec une inférence jusqu’à 10 fois plus rapide, et, sur le leaderboard longue durée, Parakeet CTC a affiché un RTFx de 2 793,75 contre 68,56 pour Whisper large-v3 (Hugging Face, 2025). Pour les outils vocaux en temps réel, y compris ceux qui sous-tendent les logiciels de clonage vocal en direct, cet écart de débit compte souvent plus qu’un point de WER.
| Métrique | Valeur | Source |
|---|---|---|
| WER d’USM contre Whisper, 18 langues | 32,7% de moins en relatif | Google Research, 2023 |
| WER moyen d’USM, 73 langues YouTube | Moins de 30% | Google Research, 2023 |
| Réduction relative du WER d’USM sur FLEURS (sans données du domaine) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 contre les systèmes en cascade | Jusqu’à 8% (parole-texte) et 23% (parole-parole) de BLEU en plus | Meta, Nature 2025 |
| Traduction parole-texte d’OmniSONAR, sans exemple d’entraînement | 97% de la qualité de SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 contre des modèles plus gros | Qualité comparable à des modèles 3 fois plus gros, jusqu’à 10 fois plus rapide | NVIDIA, août 2025 |
| Débit longue durée (RTFx) : Parakeet CTC contre Whisper large-v3 | 2 793,75 contre 68,56 | Hugging Face Open ASR Leaderboard 2025 |
Note sur une valeur atypique : l’article OmniSONAR (arXiv, mars 2026) rapporte aussi une erreur de recherche par similarité vocale inférieure de 43% à celle des modèles précédents, signe que les espaces d’embeddings partagés parole-texte deviennent une brique de base à part entière.
6. Biais d’accent, accès et enjeux commerciaux
La couverture linguistique cache un second écart au sein des langues ‘prises en charge’. Sur cinq systèmes commerciaux d’Amazon, Apple, Google, IBM et Microsoft, le WER moyen était de 0,35 pour les locuteurs noirs contre 0,19 pour les locuteurs blancs (Koenecke et al., PNAS 2020), à partir d’entretiens avec 73 locuteurs noirs et 42 locuteurs blancs. Cette étude date de plus de trois ans et est présentée comme l’audit de ce type le plus récent disponible. Des travaux plus récents aboutissent à des conclusions similaires : AfriSpeech-MultiBench, qui couvre plus de 100 accents d’anglais africain dans plus de 10 pays, a montré que les modèles propriétaires sont précis sur la parole nette mais varient fortement selon le pays et le domaine, les hallucinations restant un problème pour la plupart des modèles de pointe (arXiv, novembre 2025).
Les enjeux commerciaux continuent de croître, même si les estimations de la taille du marché ne concordent pas. MarketsandMarkets prévoit que la reconnaissance vocale et de la parole passera de 9,66 milliards de dollars en 2025 à 23,11 milliards de dollars d’ici 2030, soit un TCAC de 19,1% (communiqué de MarketsandMarkets), tandis que Grand View Research chiffre le marché à 20,2 milliards de dollars en 2023, pour atteindre 53,7 milliards de dollars d’ici 2030 à 14,6% (Grand View Research). Les deux cabinets désignent l’Asie-Pacifique et les marchés émergents comme moteurs de croissance, soit précisément les régions où la couverture linguistique est la plus mince. Voir aussi nos statistiques de la traduction automatique pour le versant textuel du même marché.
| Métrique | Valeur | Source |
|---|---|---|
| WER moyen, locuteurs noirs contre blancs (5 systèmes) | 0,35 contre 0,19 | Koenecke et al., PNAS 2020 |
| Locuteurs de l’audit PNAS | 73 noirs, 42 blancs | Koenecke et al., PNAS 2020 |
| Accents d’anglais africain testés | 100+ dans 10+ pays | AfriSpeech-MultiBench, 2025 |
| Bases de lecture en 5e année, Côte d’Ivoire : langue maternelle = langue du test contre non | 55% contre 25% | Rapport GEM de l’UNESCO 2025 |
| Marché de la reconnaissance vocale et de la parole, 2025 à 2030 | 9,66 Md USD à 23,11 Md USD (TCAC de 19,1%) | MarketsandMarkets, août 2025 |
| Marché américain de la reconnaissance vocale et de la parole, 2025 à 2030 | 3,13 Md USD à 7,70 Md USD (TCAC de 19,7%) | MarketsandMarkets, 2025 |
| Marché de la reconnaissance vocale et de la parole, 2023 à 2030 | 20,2 Md USD à 53,7 Md USD (TCAC de 14,6%) | Grand View Research, 2024 |
| Part du chiffre d’affaires de l’Amérique du Nord | 30,8% (2023) | Grand View Research, 2024 |
Résumé : les modèles de fondation vocaux multilingues en chiffres
| Métrique | Valeur | Source |
|---|---|---|
| Langues vivantes | 7 170 | Ethnologue, 29e édition 2026 |
| Couverture d’Omnilingual ASR | 1 600+ langues (500+ jamais prises en charge auparavant) | Meta FAIR, 2025 |
| Potentiel d’Omnilingual ASR sans exemple d’entraînement | 5 400+ langues | Meta, novembre 2025 |
| Identification des langues par MMS | 4 017 langues | Meta, 2023 |
| Couverture de Whisper large-v3 | 99 langues | Hugging Face, 2025 |
| SeamlessM4T parole en entrée / parole en sortie | 101 / 36 langues | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | 70+ langues, 2 000+ combinaisons | Google, juin 2026 |
| Données d’entraînement de Whisper | 680 000 heures (117 000 hors anglais) | OpenAI, 2022 |
| Données d’entraînement de Whisper large-v3 | Environ 5 millions d’heures | OpenAI, 2023 |
| Données d’entraînement de Google USM | 12 millions d’heures, 300+ langues | Google Research, 2023 |
| Pré-entraînement d’Omnilingual ASR | 3,84 M d’heures, 1 239 langues | Meta FAIR, 2025 |
| Common Voice 24.0 | 38 932 heures, 289 langues | Mozilla, décembre 2025 |
| NVIDIA Granary | Environ 1 M d’heures, 25 langues | NVIDIA, août 2025 |
| Benchmark FLEURS | 102 langues, environ 12 heures chacune | FLEURS, 2022 |
| WER et données | Divisé par deux à chaque multiplication par 16 des données | OpenAI, 2022 |
| Langues d’Omnilingual ASR avec un CER inférieur à 10 | 78% | Meta, novembre 2025 |
| WER de MMS contre Whisper, 54 langues | Environ la moitié | Meta, 2023 |
| Population sans accès à l’éducation dans une langue qu’elle comprend | 40% | UNESCO, 2025 |
| Écart de WER, locuteurs noirs contre blancs | 0,35 contre 0,19 | PNAS, 2020 |
| Marché de la reconnaissance vocale et de la parole, 2030 | 23,11 Md USD (MarketsandMarkets) contre 53,7 Md USD (Grand View) | MarketsandMarkets 2025 ; Grand View Research 2024 |
Méthodologie et sources
Chaque chiffre a été retracé jusqu’à l’organisation qui l’a produit, en privilégiant les articles, les notes de version officielles et la documentation plutôt que la couverture de presse. Les affirmations de précision des éditeurs (Meta, Google, OpenAI, NVIDIA, Mistral) sont auto-déclarées sur des benchmarks publics et sont étiquetées avec leur source. Les affirmations commerciales que nous n’avons pas pu rattacher à un chiffre publié, comme les énoncés marketing non chiffrés sur le ‘WER le plus bas’, ont été exclues.
- Ethnologue : bienvenue dans la 29e édition (février 2026)
- Rapport GEM de l’UNESCO : 40% n’ont pas accès à l’éducation dans une langue qu’ils comprennent (2025)
- Meta : annonce de MMS (mai 2023), article MMS, annonce d’Omnilingual ASR (novembre 2025), article Omnilingual ASR, article OmniSONAR (2026)
- Équipe Meta Seamless Communication : traduction automatique conjointe de la parole et du texte pour jusqu’à 100 langues (Nature, 2025)
- OpenAI : reconnaissance vocale robuste par supervision faible à grande échelle (2022), version de Whisper large-v3 (novembre 2023)
- Google : Universal Speech Model (mars 2023), documentation de Chirp 3, Gemini 3.5 Live Translate (juin 2026), traduction en direct de Translate (août 2025)
- Mozilla : version Common Voice 24.0 (décembre 2025), version Common Voice 23.0 (septembre 2025)
- Conneau et al. : FLEURS (2022)
- NVIDIA : version de Granary, Canary et Parakeet (août 2025), article Granary (Interspeech 2025)
- Hugging Face : tendances de l’Open ASR Leaderboard (novembre 2025)
- Mistral AI : Voxtral (juillet 2025)
- Koenecke et al. : disparités raciales dans la reconnaissance automatique de la parole (PNAS, 2020)
- AfriSpeech-MultiBench : arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets : communiqué sur le marché de la reconnaissance vocale et de la parole (août 2025)
- Grand View Research : rapport sur le marché de la reconnaissance vocale et de la parole (2024)
- Note sur les données : les estimations de la taille du marché divergent fortement. MarketsandMarkets (23,11 milliards de dollars d’ici 2030) et Grand View Research (53,7 milliards de dollars d’ici 2030) utilisent des périmètres et des années de référence différents ; il ne faut donc ni moyenner ces chiffres ni les comparer comme une tendance. Plusieurs chiffres de modèles de fondation datent de 2022 à 2023 (Whisper, USM, MMS, FLEURS) et sont les divulgations les plus récentes disponibles pour ces modèles ; Google n’a pas publié de totaux comparables de données d’entraînement pour ses modèles audio Gemini. La part de l’anglais dans les données de Whisper (environ 438 000 heures, 64%) résulte d’une soustraction de notre part à partir des totaux publiés par OpenAI, et non d’un chiffre qu’OpenAI énonce dans son résumé. Les chiffres 2025 d’Ethnologue sur les langues en danger et mourantes proviennent de synthèses publiques de la 28e édition, la base complète étant payante. L’audit de biais PNAS (2020) précède les modèles de fondation actuels et est présenté comme la donnée la plus récente disponible ; aucun audit inter-éditeurs d’ampleur comparable n’a été publié depuis. Les nombres de langues ne sont pas comparables d’un éditeur à l’autre : certains comptent des paramètres régionaux, d’autres des langues, et une couverture en ‘préversion’ n’équivaut pas à une qualité de production.
Dernière mise à jour : 3 octobre 2026. Nous actualisons ce tour d’horizon chaque trimestre, et la prochaine révision est attendue lorsque Mozilla publiera Common Voice 25.0 et qu’Ethnologue sortira sa 30e édition en février 2027.