Data pelatihan pengenalan ucapan di balik Whisper milik OpenAI memuat 438.218 jam bahasa Inggris, tetapi hanya 0,1 jam masing-masing untuk bahasa Laos, Sunda, dan Burma (OpenAI, makalah Whisper 2022). Kesenjangan itu adalah ekor panjang pengenalan ucapan dalam satu kalimat, dibandingkan dengan 7.170 bahasa yang digunakan di seluruh dunia (Ethnologue, How Many Languages 2026). Ambang akurasi yang berguna tampaknya lebih rendah daripada yang disiratkan kesenjangan itu: satu studi 2025 mencapai tingkat kesalahan kata di bawah 13% dengan hanya 50 jam data pelatihan (Akera dkk., studi penskalaan data bahasa Kinyarwanda dan Kikuyu 2025). Crowdsourcing menutup sebagian kesenjangan ini, dengan Mozilla Common Voice pada 29.295 jam tervalidasi (Mozilla, repositori cv-dataset Common Voice 2026). Kesenjangan akurasi antar-aksen dalam bahasa-bahasa besar dibahas di statistik bias aksen pengenalan ucapan kami; rangkuman ini melihat seluruh bahasa. Kami menghimpun data dari Ethnologue, makalah OpenAI Whisper, makalah MMS dan Omnilingual ASR milik Meta, makalah USM dan FLEURS milik Google, Mozilla Common Voice, Project Vaani, IndicVoices, NaijaVoices, African Next Voices, dan tolok ukur ASR bahasa Afrika terbaru.
TL;DR
- 7.170 bahasa digunakan saat ini, dan sekitar 44% terancam punah, sering kali dengan kurang dari 1.000 pengguna (Ethnologue, How Many Languages 2026).
- Hanya 195 dari 546 bahasa dengan sumber daya rendah (36%) mencapai tingkat kesalahan karakter di bawah 10 pada model 7B Meta, dibandingkan 236 dari 249 bahasa dengan sumber daya tinggi (Meta FAIR, makalah Omnilingual ASR 2025).
- 65% audio pelatihan Whisper adalah pengenalan ucapan bahasa Inggris, 438.218 jam, sementara 96 bahasa lain berbagi 117.113 jam (OpenAI, makalah Whisper 2022).
- Sebuah model Kinyarwanda mencapai tingkat kesalahan kata di bawah 13% hanya dengan 50 jam data pelatihan (Akera dkk., studi penskalaan data 2025).
- Model Swahili terbaik turun dari WER 24,81% dengan 1 jam data menjadi 11,36% dengan 400 jam (Nahabwe dkk., Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech memuat 42.593 jam, 29.295 di antaranya tervalidasi, pada rilis 27.0 (Mozilla, repositori cv-dataset Common Voice 2026).
- Project Vaani telah merekam 31.278,37 jam ucapan India, tetapi hanya sekitar 6,8% yang ditranskripsi (IISc dan ARTPARK, dasbor Project Vaani 2026).
- African Next Voices merekam 9.000+ jam dalam 18 bahasa di Kenya, Nigeria, dan Afrika Selatan (Universitas Pretoria, berita African Next Voices 2025).
- Fine-tuning pada korpus NaijaVoices 1.800 jam meningkatkan rata-rata tingkat kesalahan kata Whisper sebesar 75,86% pada bahasa Igbo, Hausa, dan Yoruba (makalah dataset NaijaVoices, Interspeech 2025).
- Universal Speech Model milik Google mengungguli Whisper sebesar 66% dalam WER relatif pada 62 bahasa FLEURS dengan set berlabel yang ukurannya sekitar sepertujuh (Google, makalah USM 2023).
- IndicVoices memuat 7.348 jam dari 16.237 penutur dalam 22 bahasa India (makalah dataset IndicVoices 2024).
1. Berapa Banyak Bahasa di Dunia yang Memiliki Pengenalan Ucapan
Angka pembandingnya adalah inti ceritanya. Ethnologue mencatat 7.170 bahasa yang digunakan saat ini, dan hanya 20 di antaranya, 0,3% dari total, adalah bahasa ibu bagi lebih dari 3,7 miliar orang (Ethnologue, How Many Languages 2026). Pengenalan ucapan mengikuti pemusatan itu: bahkan pada 2023, Universal Speech Model milik Google mencakup 100+ bahasa.
Bahkan sistem terbuka terluas saat ini, dengan 1.600+ bahasa, hanya menjangkau sekitar seperlima dari hitungan Ethnologue. Hilangnya bahasa adalah sisi lain dari kesenjangan ini, dibahas di statistik bahasa terancam punah kami. Afrika saja memiliki lebih dari 2.000 bahasa, banyak di antaranya tidak memiliki data ucapan bertranskripsi.
| Metrik | Nilai | Sumber |
|---|---|---|
| Bahasa yang digunakan di seluruh dunia | 7.170 | Ethnologue, How Many Languages 2026 |
| Porsi bahasa hidup yang terancam punah | Sekitar 44%, sering kali dengan kurang dari 1.000 pengguna tersisa | Ethnologue, How Many Languages 2026 |
| Penutur asli 20 bahasa terbesar | Lebih dari 3,7 miliar orang, hampir setengah populasi dunia, dari 0,3% semua bahasa | Ethnologue, How Many Languages 2026 |
| Bahasa yang dituturkan di seluruh Afrika | Lebih dari 2.000, banyak yang tidak memiliki data ucapan bertranskripsi | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
| Bahasa yang dicakup Universal Speech Model milik Google untuk pengenalan ucapan | 100+ | Google, makalah USM 2023 |
| Bahasa dalam Jadwal ke-8 Konstitusi India yang dicakup IndicASR, yang oleh para penulisnya disebut model pertama yang mendukung semuanya | 22 | Makalah dataset IndicVoices 2024 |
| Bahasa yang dicakup sistem ASR terbuka terluas | 1.600+ (lebih dari 500 belum pernah dilayani sistem ASR mana pun sebelumnya), sekitar 22% dari 7.170 yang digunakan (1.600 / 7.170) | Meta FAIR, makalah Omnilingual ASR 2025; Ethnologue 2026 |
Konteks: sistem 1.600+ bahasa itu sengaja mengecualikan sekitar 150 bahasa (bahasa isyarat, bahasa buatan, dan bahasa tanpa sistem tulis yang mapan), sehingga sebagian dari total yang tidak tercakup berada di luar jangkauan pengenalan ucapan yang menghasilkan teks. Data terbaru yang tersedia untuk USM: 2023.
2. Jam Pelatihan: Bahasa Inggris vs Ekor Panjang
Data pelatihan pengenalan ucapan bukanlah sebuah distribusi, melainkan sebuah tebing. Data pengenalan ucapan bahasa Inggris Whisper (438.218 jam) kira-kira 81.000 kali lebih besar daripada data bahasa Swahili-nya (5,4 jam) (438.218 / 5,4 = 81.151), dan bahasa Laos, Sunda, dan Burma masing-masing hanya mendapat 0,1 jam. Bahkan dibandingkan bahasa Mandarin, bahasa non-Inggris dengan pasokan terbaik pada 23.446 jam, bahasa Inggris memiliki audio sekitar 19 kali lebih banyak (438.218 / 23.446 = 18,7).
Sistem yang lebih baru mengelompokkan bahasa ke dalam kelompok sumber daya, dan batasnya sangat menarik: sebuah bahasa dihitung bersumber daya tinggi (tercukupi data pelatihan) hanya dengan lebih dari 50 jam. Dataset yang dibangun khusus dapat memindahkan sebuah bahasa melewati garis itu: IndicVoices melaporkan median 73 jam bertranskripsi per bahasa di seluruh 22 bahasanya (makalah dataset IndicVoices 2024).
| Metrik | Nilai | Sumber |
|---|---|---|
| Audio pelatihan Whisper: pengenalan ucapan bahasa Inggris vs 96 bahasa lain | 438.218 jam (65%) vs 117.113 jam (17%) | OpenAI, makalah Whisper 2022 |
| Jam pengenalan ucapan Whisper per bahasa, terbesar vs terkecil | Mandarin 23.446; Jerman 13.344; Spanyol 11.100 vs Swahili 5,4; Laos, Sunda, dan Burma masing-masing 0,1 | OpenAI, makalah Whisper 2022 |
| Bahasa tolok ukur FLEURS tanpa data pelatihan Whisper sama sekali | 20 dari 102 | OpenAI, makalah Whisper 2022 |
| Bahasa Omnilingual ASR menurut data pelatihan berlabel: lebih dari 50 jam / 10 hingga 50 jam / kurang dari 10 jam | 249 / 881 / 546 bahasa | Meta FAIR, makalah Omnilingual ASR 2025 |
| Data evaluasi FLEURS per bahasa | Sekitar 12 jam ucapan dalam masing-masing dari 102 bahasa | Google, makalah FLEURS 2022 |
| Audio bertranskripsi IndicVoices | 1.639 jam, median 73 jam per bahasa | Makalah dataset IndicVoices 2024 |
Data terbaru yang tersedia untuk Whisper: 2022. Jam di atas hanya data pengenalan ucapan, terpisah dari audio terjemahan Whisper. Kami tidak menemukan rincian per bahasa yang setara untuk versi Whisper yang lebih baru.
3. Tingkat Kesalahan: Bahasa Sumber Daya Rendah vs Sumber Daya Tinggi
Tingkat kesalahan kata (WER) adalah porsi kata yang salah dihasilkan sebuah sistem, dengan menghitung substitusi, penghapusan, dan penyisipan; karena kata yang disisipkan ikut dihitung, nilainya bisa melebihi 100% ketika model menghasilkan lebih banyak kata salah daripada jumlah kata dalam acuan. Whisper large-v2 mencetak WER 4,2% pada bahasa Inggris tetapi 121,0% pada bahasa Shona dalam tolok ukur FLEURS, sehingga untuk bahasa Shona kesalahannya lebih banyak daripada kata yang sebenarnya diucapkan (OpenAI, makalah Whisper 2022). Salah satu cara yang diketahui sebuah model sampai ke titik itu adalah dengan menulis teks fasih yang tidak pernah diucapkan siapa pun, mode kegagalan yang dilacak di statistik halusinasi pengenalan ucapan kami.
Model yang lebih baru masih membiarkan kesenjangan itu. Pada tabel di bawah, tingkat kesalahan karakter (CER, gagasan yang sama tetapi dihitung per huruf, bukan per kata) tetap di bawah 10 untuk sekitar 95% bahasa dengan data 10 jam atau lebih (1.077 dari 1.130), tetapi hanya untuk sedikit lebih dari sepertiga kelompok di bawah 10 jam. Di dalam satu model, volume data saja yang memisahkan hasil-hasil tersebut.
| Metrik | Nilai | Sumber |
|---|---|---|
| Tingkat kesalahan kata Whisper large-v2 pada FLEURS: Inggris / Spanyol / Swahili | 4,2% / 3,0% / 39,3% | OpenAI, makalah Whisper 2022 |
| Tingkat kesalahan kata Whisper large-v2 pada FLEURS: Yoruba / Somali / Shona / Sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, makalah Whisper 2022 |
| Bahasa Omnilingual 7B LLM-ASR dengan tingkat kesalahan karakter di bawah 10, menurut tingkat sumber daya: tinggi / menengah / rendah | 236 dari 249 / 841 dari 881 / 195 dari 546 (makalah membulatkan porsi sumber daya rendah menjadi 36%) | Meta FAIR, makalah Omnilingual ASR 2025 |
| Rata-rata tingkat kesalahan karakter Omnilingual 7B LLM-ASR: bahasa sumber daya tinggi vs sumber daya rendah | 3,13 vs 18,0 | Meta FAIR, makalah Omnilingual ASR 2025 |
Catatan pencilan: baris Whisper berasal dari tabel large-v2 dalam makalah 2022, tabel per bahasa terbaru yang tersedia dari jenisnya. WER dan CER adalah ukuran yang berbeda, sehingga baris Whisper dan Omnilingual tidak dapat dibandingkan secara langsung.
4. Berapa Banyak Data yang Menutup Kesenjangan
Temuan yang menggembirakan pada 2025 adalah bahwa ambang pengenalan yang dapat dipakai diukur dalam puluhan jam, bukan ribuan. Sebuah model Kinyarwanda mencapai akurasi praktis, tingkat kesalahan kata di bawah 13%, hanya dengan 50 jam data pelatihan, dan turun di bawah 10% pada 200 jam (Akera dkk., studi penskalaan data 2025). Jika hal itu berlaku untuk bahasa lain, satu kampanye perekaman yang didanai sudah cukup untuk model pertama yang dapat dipakai.
Kualitas data juga penting. Studi yang sama menelusuri 38,6% kasus dengan kesalahan tinggi ke transkripsi acuan yang berderau, artinya sebagian dari “kesalahan” itu sebenarnya teks acuannya yang salah. Dan hasil bahasa Swahili dalam tolok ukur terpisah dengan 13 bahasa menunjukkan apa yang diberikan volume saja: naik dari 1 menjadi 400 jam menurunkan tingkat kesalahan terbaik lebih dari separuh, namun 11,36% masih jauh di atas skor bahasa Inggris Whisper dari bagian 3.
| Metrik | Nilai | Sumber |
|---|---|---|
| Data pelatihan Kinyarwanda yang dibutuhkan untuk tingkat kesalahan kata di bawah 13% | Hanya 50 jam | Akera dkk., studi penskalaan data bahasa Kinyarwanda dan Kikuyu 2025 |
| Tingkat kesalahan kata Kinyarwanda pada 200 jam data pelatihan | Di bawah 10% | Akera dkk., studi penskalaan data bahasa Kinyarwanda dan Kikuyu 2025 |
| Kasus dengan kesalahan tinggi yang disebabkan transkripsi acuan yang berderau | 38,6% | Akera dkk., studi penskalaan data bahasa Kinyarwanda dan Kikuyu 2025 |
| Bahasa Afrika yang diuji, dengan subset fine-tuning 1, 5, 10, 20, 50, 100, dan 200 jam | 13 bahasa (hanya Swahili yang juga memiliki subset 400 jam) | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
| Tingkat kesalahan kata Swahili terbaik dengan 400 jam data fine-tuning (XLS-R vs Whisper) | 11,36% vs 16,88% | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
Konteks: 13 bahasa dalam tolok ukur Nahabwe dkk. adalah Afrikaans, Akan, Bambara, Bemba, Ewe, Kinyarwanda, Lingala, Luganda, Shona, Swahili, Wolof, Xhosa, dan Zulu.
5. Dataset Ucapan Hasil Crowdsourcing dan Komunitas
Dataset terbuka yang dibangun komunitas adalah tempat data ucapan ekor panjang menjadi publik. Dataset Scripted Speech milik Mozilla Common Voice tumbuh sekitar 31 kali lipat, dari 1.368 jam pada rilis pertamanya menjadi 42.593 jam pada rilis 27.0 (42.593 / 1.368 = 31,1), dan repositori mencantumkan 295 bahasa (Mozilla, repositori cv-dataset Common Voice 2026). Hambatannya telah bergeser dari perekaman ke pemeriksaan: sekitar 31% dari jam tersebut belum divalidasi (29.295 / 42.593 = 68,8% tervalidasi).
Proyek regional menunjukkan pola yang sama dalam skala lebih besar. Project Vaani telah mengumpulkan lebih dari 31.000 jam ucapan India, tetapi baru mentranskripsi sekitar 6,8% darinya (2.122,21 / 31.278,37), dan telah menjangkau 165 dari 773 distrik di India (21,3%). Di Afrika, dua proyek yang dilaporkan pada 2025 memiliki lebih dari 10.800 jam bersama-sama (9.000+ ditambah 1.800), dibandingkan 5,4 jam bahasa Swahili dalam data pengenalan ucapan Whisper.
| Metrik | Nilai | Sumber |
|---|---|---|
| Total jam Common Voice Scripted Speech: rilis 1 vs rilis 27.0 (batas data September 2026) | 1.368 vs 42.593 jam | Mozilla, repositori cv-dataset Common Voice 2026 |
| Jam tervalidasi Common Voice Scripted Speech, rilis 27.0 | 29.295 (68,8% dari total) | Mozilla, repositori cv-dataset Common Voice 2026 |
| Bahasa yang tercantum untuk Common Voice Scripted Speech: rilis 19.0 (2024) vs rilis 27.0 (2026) | 131 vs 295 | Mozilla, rilis Common Voice 19.0 2024; repositori cv-dataset 2026 |
| Common Voice Spontaneous Speech rilis 5.0 | 541 jam (302 tervalidasi), 80 bahasa | Mozilla, repositori cv-dataset Common Voice 2026 |
| Ucapan yang dikumpulkan Project Vaani di India | 31.278,37 jam dari 156.208 penutur dalam 105 bahasa, 165 dari 773 distrik | IISc dan ARTPARK, dasbor Project Vaani 2026 |
| Ucapan bertranskripsi Project Vaani | 2.122,21 jam (sekitar 6,8% dari audio yang dikumpulkan) | IISc dan ARTPARK, dasbor Project Vaani 2026 |
| Ucapan yang direkam African Next Voices | 9.000+ jam dalam 18 bahasa di 3 negara | Universitas Pretoria, berita African Next Voices 2025 |
| Data ucapan-teks NaijaVoices | 1.800 jam dari 5.000+ penutur dalam bahasa Igbo, Hausa, dan Yoruba | Makalah dataset NaijaVoices, Interspeech 2025 |
Konteks: target yang dinyatakan Project Vaani adalah lebih dari 150.000 jam ucapan dari seluruh 773 distrik, sehingga dasbor saat ini mewakili sekitar seperlima dari audio yang direncanakan (31.278,37 / 150.000 = 20,9%).
6. Pendekatan: Pra-Pelatihan Self-Supervised, Bacaan Teks Keagamaan, dan Perluasan Few-Shot
Ekor panjang dijangkau dengan tiga taktik. Pra-pelatihan self-supervised (model terlebih dahulu belajar dari audio tanpa transkripsi, lalu hanya memerlukan set berlabel yang kecil) adalah lapisan dasarnya; Universal Speech Model milik Google mengungguli Whisper sebesar 66% dalam tingkat kesalahan kata relatif pada 62 bahasa FLEURS dengan menggunakan set berlabel yang ukurannya sekitar sepertujuh (Google, makalah USM 2023). Bacaan teks keagamaan yang tersedia untuk publik memberi proyek MMS rata-rata 32 jam per bahasa, rata-rata yang berada dalam rentang 10 hingga 50 jam dari bagian 2.
Taktik terbaru adalah perluasan few-shot: memberi model segelintir contoh audio dan teks yang berpasangan saat model berjalan dan membiarkannya beradaptasi tanpa pelatihan ulang. Gambaran lebih luas tentang model bersama yang menangani banyak bahasa sekaligus dibahas di statistik model fondasi ucapan multibahasa kami. Efisiensi data juga berbeda menurut desain: dengan 1 jam bahasa Swahili, MMS, yang dibangun di atas pra-pelatihan self-supervised, mengungguli Whisper sebesar 26,52 poin WER (51,33 - 24,81).
| Metrik | Nilai | Sumber |
|---|---|---|
| Data berlabel MMS yang dibangun dari bacaan teks keagamaan | 44,7K jam dalam 1.107 bahasa, rata-rata sekitar 32 jam per bahasa | Meta AI, makalah dan blog MMS 2023 |
| Tingkat kesalahan karakter pada bahasa yang tidak terlihat saat pelatihan: model dasar CTC vs model zero-shot (tanpa pelatihan ulang) dengan 10 contoh konteks | 26,33% vs 14,4% | Meta FAIR, makalah Omnilingual ASR 2025 |
| Data pelatihan terawasi USM vs Whisper, tanpa bahasa Inggris | 90k jam vs 117k jam, dengan Whisper dikalahkan sebesar 66% WER relatif pada 62 bahasa FLEURS | Google, makalah USM 2023 |
| Tingkat kesalahan kata Swahili setelah 1 jam fine-tuning: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
| Rata-rata peningkatan tingkat kesalahan kata setelah fine-tuning pada NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Makalah dataset NaijaVoices, Interspeech 2025 |
Catatan pencilan: makalah USM menggambarkan set YouTube berlabelnya mencakup 73 bahasa di pendahuluan dan 75 di bagian 3.1. Data terbaru yang tersedia untuk MMS dan USM: 2023.
Ringkasan: Cakupan Pengenalan Ucapan Bahasa Sumber Daya Rendah dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Bahasa yang digunakan di seluruh dunia | 7.170 | Ethnologue, How Many Languages 2026 |
| Bahasa yang dicakup sistem ASR terbuka terluas | 1.600+, lebih dari 500 belum pernah dilayani sebelumnya | Meta FAIR, makalah Omnilingual ASR 2025 |
| Bahasa sumber daya rendah (kurang dari 10 jam) dengan tingkat kesalahan karakter di bawah 10 | 195 dari 546 (36%) | Meta FAIR, makalah Omnilingual ASR 2025 |
| Audio pelatihan Whisper berupa pengenalan ucapan bahasa Inggris | 65% (438.218 jam) | OpenAI, makalah Whisper 2022 |
| Bahasa yang dituturkan di seluruh Afrika | Lebih dari 2.000 | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
| Data Kinyarwanda yang dibutuhkan untuk tingkat kesalahan kata di bawah 13% | Hanya 50 jam | Akera dkk., studi penskalaan data 2025 |
| Tingkat kesalahan kata Kinyarwanda pada 200 jam | Di bawah 10% | Akera dkk., studi penskalaan data 2025 |
| Tingkat kesalahan kata Swahili terbaik: 1 jam vs 400 jam data fine-tuning | 24,81% vs 11,36% | Nahabwe dkk., Benchmarking ASR Models for African Languages 2025 |
| Jam Common Voice Scripted Speech, rilis 27.0 | 42.593 total, 29.295 tervalidasi | Mozilla, repositori cv-dataset Common Voice 2026 |
| Bahasa yang tercantum untuk Common Voice Scripted Speech | 295 | Mozilla, repositori cv-dataset Common Voice 2026 |
| Audio Project Vaani yang dikumpulkan vs ditranskripsi | 31.278,37 vs 2.122,21 jam | IISc dan ARTPARK, dasbor Project Vaani 2026 |
| Audio IndicVoices | 7.348 jam, 16.237 penutur, 22 bahasa | Makalah dataset IndicVoices 2024 |
| Ucapan yang direkam African Next Voices | 9.000+ jam, 18 bahasa | Universitas Pretoria, berita African Next Voices 2025 |
| Data ucapan-teks NaijaVoices | 1.800 jam, 3 bahasa | Makalah dataset NaijaVoices, Interspeech 2025 |
| USM vs Whisper pada 62 bahasa FLEURS | WER relatif 66% lebih rendah | Google, makalah USM 2023 |
Metodologi dan Sumber
- Ethnologue, How Many Languages Are There in the World? (halaman dibaca Oktober 2026): bahasa hidup, porsi bahasa terancam punah, konsentrasi 20 bahasa teratas.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (makalah Whisper), 2022: jam pelatihan per bahasa (Gambar 11) dan tingkat kesalahan kata FLEURS (Tabel 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (makalah MMS), 2023, beserta pengumuman MMS; dan Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10 November 2025.
- Google, makalah Universal Speech Model, 2023, dan makalah tolok ukur FLEURS, 2022.
- Mozilla, repositori cv-dataset Common Voice (rilis 27.0, batas data September 2026), kiriman rilis Common Voice 19.0 (diumumkan 18 September 2024), dan catatan rilis Scripted Speech 26.0 (19 Juni 2026).
- IISc dan ARTPARK, dasbor langsung Project Vaani (dibaca Oktober 2026).
- Makalah dataset IndicVoices, 4 Maret 2024.
- Akera dkk., How much speech data is necessary for ASR in African languages?, 8 Oktober 2025.
- Nahabwe dkk., Benchmarking Automatic Speech Recognition Models for African Languages, 30 November 2025.
- The NaijaVoices Dataset, diterima di Interspeech 2025.
- Universitas Pretoria, African Next Voices featured in Nature, 1 Agustus 2025.
- Catatan data: Jumlah bahasa berbeda menurut sumber dan metode (7.170 versi Ethnologue menghitung bahasa yang digunakan; makalah ASR menghitung kode ISO 639-3 dan mengecualikan bahasa isyarat serta bahasa tanpa tulisan), sehingga porsi cakupan hanyalah perkiraan. Jumlah bahasa Common Voice melonjak dari 131 (rilis 19.0) menjadi 295 (rilis 27.0); repositori tidak menyebutkan apakah angka yang lebih baru hanya menghitung bahasa dengan audio yang sudah dirilis, jadi perlakukan sebagai bahasa yang tercantum. Porsi tervalidasi 68,8% dihitung dari data grafik repositori, sedangkan catatan rilis 26.0 menyebut sekitar 25% audio Scripted Speech masih menunggu validasi; kedua ukuran itu tidak identik. Ketika rilis 19.0 diumumkan, sebuah komentar forum mencatat bahwa hanya 129 dari 131 bahasanya yang dapat diunduh, sehingga jumlah bahasa yang tercantum dan yang dirilis bisa berbeda. Angka African Next Voices berasal dari halaman berita universitas yang merangkum liputan Nature, dan kami tidak membaca makalah dataset. Angka Whisper (2022), FLEURS (2022), MMS (2023), dan USM (2023) semuanya berusia lebih dari tiga tahun dan ditandai sebagai data terbaru yang tersedia. Teks makalah Omnilingual (549) dan Tabel 8-nya (546) tidak sepakat soal jumlah bahasa sumber daya rendah; kami memakai nilai tabel.
Terakhir diperbarui: 31 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika Mozilla menerbitkan Common Voice Scripted Speech rilis 28.0.