Omnilingual ASR milik Meta mentranskripsikan lebih dari 1.600 bahasa, termasuk lebih dari 500 bahasa yang belum pernah dilayani sistem pengenalan ucapan mana pun (Meta FAIR, Omnilingual ASR 2025), namun itu masih kurang dari seperempat dari 7.170 bahasa hidup dalam edisi 2026 Ethnologue. Dua tahun sebelumnya, titik acuannya adalah Whisper, yang dilatih dengan 680.000 jam dan hanya 117.000 jam di antaranya tersebar di 96 bahasa non-Inggris (OpenAI, makalah Whisper 2022). Korpus crowdsourcing terbuka terbesar, Mozilla Common Voice, kini mencakup 289 bahasa dan 38.932 jam (Common Voice 24.0, 2025), dan produk dengan pertumbuhan tercepat, dari terjemahan langsung hingga dikte, semuanya berdiri di atas model fondasi ini, seperti yang juga dilacak rangkuman statistik ucapan ke teks kami. Kami mengumpulkan data dari Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets, dan sumber primer lain yang tercantum dalam metodologi.
TL;DR
- Omnilingual ASR mencakup 1.600+ bahasa, 500+ di antaranya belum pernah dilayani ASR sebelumnya (Meta FAIR, Omnilingual ASR 2025).
- Pembelajaran dalam konteks tanpa contoh pelatihan berpotensi memperluas Omnilingual ASR ke lebih dari 5.400 bahasa (Meta, November 2025).
- Ada 7.170 bahasa hidup, bertambah bersih 11 dalam setahun (Ethnologue, edisi ke-29 2026).
- 40% populasi dunia tidak mengakses pendidikan dalam bahasa yang mereka pahami (Laporan GEM UNESCO 2025).
- MMS milik Meta mengidentifikasi 4.017 bahasa lisan dan mentranskripsikan 1.107 di antaranya (Meta, makalah MMS 2023).
- USM milik Google dilatih dengan 12 juta jam ucapan di 300+ bahasa (Google Research 2023).
- Whisper large-v3 dilatih dengan sekitar 5 juta jam, 4 juta di antaranya berlabel semu (OpenAI, November 2023).
- Tingkat kesalahan kata Whisper turun separuh setiap kali data pelatihan per bahasa bertambah 16 kali lipat (OpenAI, makalah Whisper 2022).
- Common Voice 24.0: 38.932 jam di 289 bahasa (Mozilla, Desember 2025).
- Tingkat kesalahan karakter di bawah 10 untuk 78% bahasa Omnilingual ASR (Meta, November 2025).
- Gemini 3.5 Live Translate mendukung 70+ bahasa dan 2.000+ kombinasi dalam satu panggilan Meet (Google, Juni 2026).
- Penutur kulit hitam mencatat rata-rata WER 0,35 dibandingkan 0,19 untuk penutur kulit putih pada lima sistem komersial (PNAS, 2020).
1. Kesenjangan Bahasa: 7.170 Bahasa, Beberapa Ratus yang Terlayani
Penyebutnya penting. Ethnologue edisi ke-29 mencatat 7.170 bahasa hidup, bertambah bersih 11 dari tahun sebelumnya setelah lebih dari 8.000 pembaruan basis data, dengan delapan bahasa diklasifikasikan ulang dari punah menjadi hidup (Ethnologue, Selamat datang di edisi ke-29, Februari 2026). Sebelum 2023, catat tim MMS, sistem ucapan arus utama hanya menangani sekitar 100 di antaranya. Bahkan setelah lonjakan ke 1.600+, kira-kira tiga dari empat bahasa hidup masih belum punya pengenal ucapan siap pakai.
Kesenjangan ini bukan sekadar urusan akademis. Tim Global Education Monitoring UNESCO melaporkan bahwa 40% populasi global tidak mengakses pendidikan dalam bahasa yang mereka pahami, dengan angka mencapai 90% di beberapa negara berpendapatan rendah dan menengah (Laporan GEM UNESCO, Bahasa Itu Penting). Teknologi ucapan yang melewatkan bahasa-bahasa itu juga melewatkan orang-orang yang paling membutuhkan antarmuka suara, tema yang dibahas dari sisi pelestarian dalam statistik bahasa terancam punah kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Bahasa hidup, 2026 | 7.170 (bertambah bersih 11 dalam setahun) | Ethnologue, edisi ke-29 2026 |
| Bahasa hidup, 2025 | 7.159 | Ethnologue, edisi ke-28 2025 |
| Bahasa terancam punah | 3.193 (45% dari bahasa hidup) | Ethnologue, edisi ke-28 2025 |
| Bahasa ‘sekarat’ | 1.030 (14%) | Ethnologue, edisi ke-28 2025 |
| Populasi tanpa pendidikan dalam bahasa yang dipahami | 40% (hingga 90% di beberapa negara berpendapatan rendah dan menengah) | Laporan GEM UNESCO 2025 |
| Bahasa yang dicakup sistem ucapan umum sebelum MMS | Sekitar 100 | Meta, makalah MMS 2023 |
| Bahasa yang belum pernah dilayani ASR, ditambahkan oleh Omnilingual ASR | Lebih dari 500 | Meta FAIR, Omnilingual ASR 2025 |
Catatan konteks: jumlah bahasa terancam punah dan sekarat berasal dari edisi 2025 sebagaimana diringkas dalam pemberitaan publik; angka lengkap Ethnologue berada di balik langganan berbayar. UNESCO menyandingkan angka 40% dengan kerugian belajar yang besar: di Honduras, 94% siswa kelas 6 yang berbicara bahasa pengantar mencapai kemampuan dasar membaca, dibandingkan 62% yang tidak.
2. Perlombaan Cakupan: Berapa Banyak Bahasa yang Ditangani Tiap Model
Jumlah bahasa melonjak satu orde besaran dalam tiga tahun. MMS milik Meta mengidentifikasi 4.017 bahasa serta mentranskripsikan dan mensintesis 1.107 bahasa, sebagian besar dibangun dari rekaman Perjanjian Baru, dengan model pra-latih yang mencakup 1.406 bahasa (MMS: Menskalakan Teknologi Ucapan ke 1.000+ Bahasa). Omnilingual ASR kemudian mendorong transkripsi melampaui 1.600 bahasa dan, melalui pembelajaran dalam konteks tanpa contoh pelatihan dari beberapa contoh berpasangan, mengklaim potensi jangkauan lebih dari 5.400 bahasa (Meta AI, pengumuman Omnilingual ASR).
Produk komersial jauh lebih konservatif, dan kesenjangan itu menunjukkan di mana batas kualitas berada. Chirp 3 milik Google Cloud mencantumkan 24 bahasa transkripsi yang tersedia secara umum dan 76 dalam pratinjau (Google Cloud, dokumentasi Chirp 3), sementara model riset mengklaim ratusan. Terjemahan ucapan berada di tengah: SeamlessM4T milik Meta menerima ucapan dalam 101 bahasa tetapi hanya berbicara dalam 36 bahasa (Nature, Terjemahan mesin ucapan dan teks gabungan hingga 100 bahasa), pengingat bahwa menghasilkan ucapan lebih sulit daripada mengenalinya.
| Metrik | Nilai | Sumber |
|---|---|---|
| Transkripsi Omnilingual ASR | 1.600+ bahasa | Meta FAIR, November 2025 |
| Potensi Omnilingual ASR melalui pembelajaran tanpa contoh pelatihan | 5.400+ bahasa | Meta, November 2025 |
| MMS identifikasi bahasa / ASR dan TTS / pra-pelatihan | 4.017 / 1.107 / 1.406 bahasa | Meta, makalah MMS 2023 |
| Cakupan pra-pelatihan Google USM | 300+ bahasa | Google Research, Maret 2023 |
| Whisper large-v3 | 99 bahasa | Hugging Face Open ASR Leaderboard 2025 |
| Terjemahan ucapan ke ucapan SeamlessM4T | 101 bahasa masukan, 36 bahasa keluaran | Meta, Nature 2025 |
| Transkripsi Google Chirp 3 | 24 bahasa tersedia umum + 76 bahasa pratinjau | Dokumentasi Google Cloud 2026 |
| Embedding ucapan Meta OmniSONAR | 177 bahasa lisan dalam ruang semantik 200 bahasa | Meta, makalah OmniSONAR 2026 |
Terjemahan waktu nyata telah masuk ke aplikasi pasar massal. Gemini 3.5 Live Translate mendeteksi 70+ bahasa dan mendukung lebih dari 2.000 kombinasi bahasa dalam satu sesi Google Meet, naik dari lima bahasa (Google, Gemini 3.5 Live Translate, Juni 2026). Google menyatakan orang menerjemahkan sekitar 1 triliun kata per bulan di Translate, Search, Lens, dan Circle to Search (Google, Agustus 2025). Informasi lebih lanjut tentang adopsi di tingkat perangkat ada di statistik terjemahan ucapan ke ucapan kami.
| Metrik | Nilai | Sumber |
|---|---|---|
| Bahasa Gemini 3.5 Live Translate | 70+ | Google, Juni 2026 |
| Kombinasi bahasa dalam satu panggilan Meet | 2.000+ (sebelumnya 5 bahasa) | Google, Juni 2026 |
| Bahasa percakapan langsung Google Translate | 70+ | Google, Agustus 2025 |
| Kata yang diterjemahkan per bulan di seluruh produk Google | Sekitar 1 triliun | Google, Agustus 2025 |
| Ukuran model berbobot terbuka Mistral Voxtral | 24 miliar dan 3 miliar parameter | Mistral AI, Juli 2025 |
| Durasi audio maksimum Voxtral | 30 menit untuk transkripsi, 40 menit untuk pemahaman | Mistral AI, Juli 2025 |
3. Skala Data Pelatihan: Dari 680.000 Jam ke 12 Juta
Anggaran data di balik model-model ini tumbuh jauh lebih cepat daripada jumlah bahasa. Universal Speech Model milik Google dilatih dengan 12 juta jam ucapan dan 28 miliar kalimat teks, dengan 2 miliar parameter (Google Research, USM), kira-kira 18 kali korpus awal Whisper. OpenAI sendiri naik dari 680.000 jam menjadi sekitar 5 juta untuk Whisper large-v3, dengan 4 juta di antaranya diberi label semu oleh model sebelumnya (OpenAI, catatan rilis large-v3).
Distribusi di dalam korpus ini adalah cerita sebenarnya. 680.000 jam awal Whisper mencakup 117.000 jam di 96 bahasa non-Inggris dan 125.000 jam terjemahan ke bahasa Inggris (makalah Whisper). Dengan pengurangan (680.000 dikurangi 117.000 dikurangi 125.000), sekitar 438.000 jam, atau kira-kira 64%, adalah transkripsi bahasa Inggris. Set berlabel MMS rata-rata hanya 32 jam per bahasa, dan data yang dirilis Omnilingual ASR rata-rata sekitar 10 jam transkripsi per bahasa. Model multibahasa masif dibangun di atas ekor panjang yang diukur dalam jam, bukan ribuan jam.
| Metrik | Nilai | Sumber |
|---|---|---|
| Audio pelatihan Whisper | 680.000 jam | OpenAI, makalah Whisper 2022 |
| Data pengenalan non-Inggris Whisper | 117.000 jam di 96 bahasa | OpenAI, makalah Whisper 2022 |
| Data terjemahan X ke bahasa Inggris Whisper | 125.000 jam | OpenAI, makalah Whisper 2022 |
| Transkripsi bahasa Inggris Whisper (turunan) | Sekitar 438.000 jam (sekitar 64%) | Dihitung dari angka OpenAI |
| Data pelatihan Whisper large-v3 | 1 juta jam berlabel lemah + 4 juta jam berlabel semu | OpenAI, November 2023 |
| Google USM | 12 juta jam ucapan, 28 miliar kalimat teks, 2 miliar parameter | Google Research, 2023 |
| Pra-pelatihan swa-awasan MMS | Sekitar 500.000 jam di 1.400+ bahasa | Meta, Mei 2023 |
| Data berlabel MMS per bahasa | Rata-rata 32 jam | Meta, Mei 2023 |
Tumpukan teknologi terbaru Meta menskalakan kedua ujungnya. Omnilingual ASR melatih awal encoder wav2vec 2.0 berparameter 7 miliar dengan 3,84 juta jam di 1.239 bahasa, ditambah 460.000 jam tanpa label bahasa, dan korpus terawasi AllASR-nya berisi 120.710 jam di 1.690 bahasa (makalah Omnilingual ASR). Varian terkecil yang dirilis memiliki 300 juta parameter, ditujukan untuk perangkat berdaya rendah.
| Metrik | Nilai | Sumber |
|---|---|---|
| Pra-pelatihan tanpa label Omnilingual ASR | 3,84 juta jam, 1.239 bahasa | Meta FAIR, makalah Omnilingual ASR 2025 |
| Ucapan tanpa label tambahan tanpa ID bahasa | 460.000 jam | Meta FAIR, 2025 |
| Korpus berlabel AllASR | 120.710 jam, 1.690 bahasa | Meta FAIR, 2025 |
| Rata-rata ucapan tertranskripsi per bahasa (data yang dirilis) | Sekitar 10 jam | Meta FAIR, 2025 |
| Model terbesar / terkecil | 7 miliar / 300 juta parameter | Meta FAIR, 2025 |
4. Dataset Terbuka dan Tolok Ukur di Balik Model
Data terbuka adalah tempat cakupan ekor panjang dibangun. Mozilla Common Voice Scripted Speech 24.0 mencapai 38.932 jam di 289 bahasa, 25.886 jam di antaranya tervalidasi (unggahan rilis di Mozilla Discourse, Desember 2025). Lompatan yang lebih besar terjadi satu rilis sebelumnya, ketika Common Voice 23.0 menambah 149 bahasa dan lebih dari menggandakan jumlahnya menjadi 286 (Mozilla Data Collective). Jumlah jam hanya tumbuh sekitar 8% di antara kedua rilis itu, sehingga bahasa baru datang dengan audio yang sangat sedikit masing-masing.
Evaluasi tetap jauh lebih sempit daripada pelatihan. FLEURS, tolok ukur multibahasa standar, mencakup 102 bahasa dengan sekitar 12 jam ucapan per bahasa (makalah FLEURS), dan jalur multibahasa Hugging Face Open ASR Leaderboard hanya menguji lima bahasa pada 60+ model dari 18 organisasi (Hugging Face, Open ASR Leaderboard). Klaim ‘1.600 bahasa’ karenanya hanya diperiksa pada sebagian kecil dari angka itu.
| Metrik | Nilai | Sumber |
|---|---|---|
| Common Voice 24.0 total / jam tervalidasi | 38.932 / 25.886 | Mozilla, Desember 2025 |
| Bahasa Common Voice 24.0 | 289 | Mozilla, Desember 2025 |
| Bahasa yang ditambahkan Common Voice 23.0 | 149 (total 286) | Mozilla Data Collective, September 2025 |
| Ucapan spontan Common Voice 23.0 | 357 jam di 51 bahasa | Mozilla Data Collective, September 2025 |
| Dataset Spontaneous Speech 2.0 | 62 | Mozilla, Desember 2025 |
| Tolok ukur FLEURS | 102 bahasa, masing-masing sekitar 12 jam | Conneau dkk., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 bahasa yang kurang terlayani (CC-BY) | Meta, November 2025 |
Eropa mendapat korpus terbuka besarnya sendiri. Granary milik NVIDIA berisi sekitar 1 juta jam: hampir 650.000 untuk pengenalan dan lebih dari 350.000 untuk terjemahan, di 25 bahasa Eropa termasuk Kroasia, Estonia, dan Malta (blog NVIDIA, Agustus 2025). Makalah pendampingnya, yang diterima di Interspeech 2025, melaporkan bahwa model mencapai kinerja serupa dengan data sekitar 50% lebih sedikit dibandingkan dataset sebelumnya (makalah Granary).
| Metrik | Nilai | Sumber |
|---|---|---|
| Total audio Granary | Sekitar 1 juta jam | NVIDIA, Agustus 2025 |
| Pembagian pengenalan / terjemahan Granary | Sekitar 650.000 / 350.000+ jam | NVIDIA, Agustus 2025 |
| Bahasa Granary | 25 bahasa Eropa | NVIDIA, Agustus 2025 |
| Data yang dibutuhkan dibandingkan dataset sebelumnya untuk akurasi yang sama | Sekitar 50% lebih sedikit | Makalah Granary, Interspeech 2025 |
| Cakupan Open ASR Leaderboard | 60+ model, 18 organisasi, 11 dataset | Hugging Face, November 2025 |
| Model ASR yang dihosting di Hugging Face Hub | Sekitar 27.000 | Hugging Face, November 2025 |
| Bahasa pada jalur multibahasa leaderboard | 5 | Hugging Face, November 2025 |
5. Akurasi: Data per Bahasa Mengalahkan Ukuran Model
Angka paling berguna di bidang ini adalah hukum penskalaan. Para penulis Whisper menemukan korelasi kuadrat 0,83 antara log tingkat kesalahan kata dan log jam pelatihan per bahasa, dengan WER turun separuh setiap kali data bertambah 16 kali lipat (OpenAI, makalah Whisper). Hubungan yang sama hanya 0,24 untuk terjemahan ucapan. Untuk bahasa dengan 10 jam audio, jalur praktis menuju akurasi yang layak pakai adalah lebih banyak data, bukan model yang lebih besar.
Peningkatan cakupan datang dengan biaya akurasi yang mengejutkan kecilnya. Meta melaporkan bahwa menskalakan MMS dari 61 menjadi 1.107 bahasa hanya menaikkan tingkat kesalahan karakter sekitar 0,4%, sementara MMS memangkas separuh tingkat kesalahan kata Whisper pada 54 bahasa FLEURS (Meta AI, pengumuman MMS). Omnilingual ASR mencapai tingkat kesalahan karakter di bawah 10 untuk 78% dari 1.600+ bahasanya. Ini dilaporkan sendiri, tetapi setiap klaim terikat pada tolok ukur publik.
| Metrik | Nilai | Sumber |
|---|---|---|
| Korelasi, log WER vs log jam pelatihan (ASR) | r kuadrat = 0,83 | OpenAI, makalah Whisper 2022 |
| Korelasi yang sama untuk terjemahan ucapan | r kuadrat = 0,24 | OpenAI, makalah Whisper 2022 |
| Peningkatan WER per data 16 kali lebih banyak | Turun separuh | OpenAI, makalah Whisper 2022 |
| MMS vs Whisper pada 54 bahasa FLEURS | Sekitar separuh WER | Meta, MMS 2023 |
| Kenaikan CER saat menskalakan MMS dari 61 ke 1.107 bahasa | Sekitar 0,4% | Meta, Mei 2023 |
| Bahasa Omnilingual ASR dengan CER di bawah 10 | 78% | Meta, November 2025 |
| Pengurangan kesalahan Whisper large-v3 dibandingkan large-v2 | 10% hingga 20% | OpenAI, November 2023 |
Angka-angka Google menunjuk ke arah yang sama. USM mencatat WER 32,7% lebih rendah secara relatif dibandingkan Whisper pada 18 bahasa yang sebanding dan rata-rata WER di bawah 30% pada 73 bahasa teks YouTube, dengan WER 65,8% lebih rendah secara relatif pada FLEURS tanpa data domain. Efisiensi kini menjadi perlombaan kedua: Canary-1b-v2 milik NVIDIA yang berparameter miliaran mengklaim kualitas sebanding dengan model 3 kali lebih besar pada inferensi hingga 10 kali lebih cepat, dan pada leaderboard durasi panjang Parakeet CTC mencatat RTFx 2.793,75 dibandingkan 68,56 untuk Whisper large-v3 (Hugging Face, 2025). Untuk alat suara waktu nyata, termasuk yang ada di balik perangkat lunak kloning suara langsung, kesenjangan throughput itu sering kali lebih penting daripada selisih satu poin WER.
| Metrik | Nilai | Sumber |
|---|---|---|
| WER USM vs Whisper, 18 bahasa | 32,7% lebih rendah secara relatif | Google Research, 2023 |
| Rata-rata WER USM, 73 bahasa YouTube | Di bawah 30% | Google Research, 2023 |
| Pengurangan WER relatif USM pada FLEURS (tanpa data domain) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 vs sistem berjenjang | Hingga 8% (ucapan ke teks) dan 23% (ucapan ke ucapan) BLEU lebih tinggi | Meta, Nature 2025 |
| Terjemahan ucapan ke teks OmniSONAR, tanpa contoh pelatihan | 97% dari kualitas SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 vs model lebih besar | Kualitas sebanding dengan model 3 kali lebih besar, hingga 10 kali lebih cepat | NVIDIA, Agustus 2025 |
| Throughput durasi panjang (RTFx): Parakeet CTC vs Whisper large-v3 | 2.793,75 vs 68,56 | Hugging Face Open ASR Leaderboard 2025 |
Catatan pencilan: makalah OmniSONAR (arXiv, Maret 2026) juga melaporkan kesalahan pencarian kemiripan ucapan 43% lebih rendah dibandingkan model sebelumnya, tanda bahwa ruang embedding ucapan-teks bersama menjadi komponen dasar tersendiri.
6. Bias Aksen, Akses, dan Taruhan Komersial
Cakupan bahasa menyembunyikan kesenjangan kedua di dalam bahasa-bahasa yang ‘didukung’. Pada lima sistem komersial dari Amazon, Apple, Google, IBM, dan Microsoft, rata-rata WER adalah 0,35 untuk penutur kulit hitam dibandingkan 0,19 untuk penutur kulit putih (Koenecke dkk., PNAS 2020), berdasarkan wawancara dengan 73 penutur kulit hitam dan 42 penutur kulit putih. Studi ini berusia lebih dari tiga tahun dan ditampilkan sebagai audit sejenis terbaru yang tersedia. Penelitian yang lebih baru sampai pada kesimpulan serupa: AfriSpeech-MultiBench, yang mencakup 100+ aksen bahasa Inggris Afrika di 10+ negara, menemukan model berpemilik akurat pada ucapan yang bersih tetapi sangat bervariasi menurut negara dan domain, dengan halusinasi masih menjadi masalah bagi sebagian besar model tercanggih (arXiv, November 2025).
Taruhan komersial terus meningkat, meskipun estimasi ukuran pasar tidak konsisten. MarketsandMarkets memproyeksikan pasar pengenalan ucapan dan suara tumbuh dari 9,66 miliar dolar pada 2025 menjadi 23,11 miliar dolar pada 2030, dengan CAGR 19,1% (siaran pers MarketsandMarkets), sedangkan Grand View Research menempatkan pasar sebesar 20,2 miliar dolar pada 2023 menuju 53,7 miliar dolar pada 2030 dengan CAGR 14,6% (Grand View Research). Kedua firma menyebut Asia Pasifik dan pasar berkembang sebagai pendorong pertumbuhan, yang justru merupakan wilayah dengan cakupan bahasa paling tipis. Lihat juga statistik terjemahan mesin kami untuk sisi teks dari pasar yang sama.
| Metrik | Nilai | Sumber |
|---|---|---|
| Rata-rata WER, penutur kulit hitam vs kulit putih (5 sistem) | 0,35 vs 0,19 | Koenecke dkk., PNAS 2020 |
| Penutur dalam audit PNAS | 73 kulit hitam, 42 kulit putih | Koenecke dkk., PNAS 2020 |
| Aksen bahasa Inggris Afrika yang diuji | 100+ di 10+ negara | AfriSpeech-MultiBench, 2025 |
| Dasar membaca kelas 5, Pantai Gading: bahasa rumah = bahasa tes vs tidak | 55% vs 25% | Laporan GEM UNESCO 2025 |
| Pasar pengenalan ucapan dan suara, 2025 hingga 2030 | 9,66 miliar USD menjadi 23,11 miliar USD (CAGR 19,1%) | MarketsandMarkets, Agustus 2025 |
| Pasar pengenalan ucapan dan suara AS, 2025 hingga 2030 | 3,13 miliar USD menjadi 7,70 miliar USD (CAGR 19,7%) | MarketsandMarkets, 2025 |
| Pasar pengenalan suara dan ucapan, 2023 hingga 2030 | 20,2 miliar USD menjadi 53,7 miliar USD (CAGR 14,6%) | Grand View Research, 2024 |
| Pangsa pendapatan Amerika Utara | 30,8% (2023) | Grand View Research, 2024 |
Ringkasan: Model Fondasi Ucapan Multibahasa dalam Angka
| Metrik | Nilai | Sumber |
|---|---|---|
| Bahasa hidup | 7.170 | Ethnologue, edisi ke-29 2026 |
| Cakupan Omnilingual ASR | 1.600+ bahasa (500+ belum pernah dilayani sebelumnya) | Meta FAIR, 2025 |
| Potensi Omnilingual ASR tanpa contoh pelatihan | 5.400+ bahasa | Meta, November 2025 |
| Identifikasi bahasa MMS | 4.017 bahasa | Meta, 2023 |
| Cakupan Whisper large-v3 | 99 bahasa | Hugging Face, 2025 |
| SeamlessM4T masukan ucapan / keluaran ucapan | 101 / 36 bahasa | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | 70+ bahasa, 2.000+ kombinasi | Google, Juni 2026 |
| Data pelatihan Whisper | 680.000 jam (117.000 non-Inggris) | OpenAI, 2022 |
| Data pelatihan Whisper large-v3 | Sekitar 5 juta jam | OpenAI, 2023 |
| Data pelatihan Google USM | 12 juta jam, 300+ bahasa | Google Research, 2023 |
| Pra-pelatihan Omnilingual ASR | 3,84 juta jam, 1.239 bahasa | Meta FAIR, 2025 |
| Common Voice 24.0 | 38.932 jam, 289 bahasa | Mozilla, Desember 2025 |
| NVIDIA Granary | Sekitar 1 juta jam, 25 bahasa | NVIDIA, Agustus 2025 |
| Tolok ukur FLEURS | 102 bahasa, masing-masing sekitar 12 jam | FLEURS, 2022 |
| WER vs data | Turun separuh setiap data bertambah 16 kali lipat | OpenAI, 2022 |
| Bahasa Omnilingual ASR dengan CER di bawah 10 | 78% | Meta, November 2025 |
| WER MMS vs Whisper, 54 bahasa | Sekitar separuh | Meta, 2023 |
| Populasi tanpa pendidikan dalam bahasa yang dipahami | 40% | UNESCO, 2025 |
| Kesenjangan WER, penutur kulit hitam vs kulit putih | 0,35 vs 0,19 | PNAS, 2020 |
| Pasar pengenalan ucapan dan suara, 2030 | 23,11 miliar USD (MarketsandMarkets) vs 53,7 miliar USD (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Metodologi dan Sumber
Setiap angka ditelusuri hingga organisasi yang menghasilkannya, dengan mengutamakan makalah, catatan rilis resmi, dan dokumentasi dibandingkan pemberitaan media. Klaim akurasi vendor (Meta, Google, OpenAI, NVIDIA, Mistral) dilaporkan sendiri pada tolok ukur publik dan diberi label sumbernya. Klaim komersial yang tidak dapat kami kaitkan dengan angka yang dipublikasikan, seperti pernyataan pemasaran ‘WER terendah’ tanpa angka, dikecualikan.
- Ethnologue: Selamat datang di edisi ke-29 (Februari 2026)
- Laporan GEM UNESCO: 40% tidak mengakses pendidikan dalam bahasa yang mereka pahami (2025)
- Meta: pengumuman MMS (Mei 2023), makalah MMS, pengumuman Omnilingual ASR (November 2025), makalah Omnilingual ASR, makalah OmniSONAR (2026)
- Tim Meta Seamless Communication: Terjemahan mesin ucapan dan teks gabungan hingga 100 bahasa (Nature, 2025)
- OpenAI: Pengenalan Ucapan yang Andal melalui Pengawasan Lemah Skala Besar (2022), rilis Whisper large-v3 (November 2023)
- Google: Universal Speech Model (Maret 2023), dokumentasi Chirp 3, Gemini 3.5 Live Translate (Juni 2026), terjemahan langsung Translate (Agustus 2025)
- Mozilla: rilis Common Voice 24.0 (Desember 2025), rilis Common Voice 23.0 (September 2025)
- Conneau dkk.: FLEURS (2022)
- NVIDIA: rilis Granary, Canary, dan Parakeet (Agustus 2025), makalah Granary (Interspeech 2025)
- Hugging Face: tren Open ASR Leaderboard (November 2025)
- Mistral AI: Voxtral (Juli 2025)
- Koenecke dkk.: Disparitas rasial dalam pengenalan ucapan otomatis (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: siaran pers Pasar Pengenalan Ucapan dan Suara (Agustus 2025)
- Grand View Research: Laporan Pasar Pengenalan Suara dan Ucapan (2024)
- Catatan data: estimasi ukuran pasar sangat bertentangan. MarketsandMarkets (23,11 miliar dolar pada 2030) dan Grand View Research (53,7 miliar dolar pada 2030) menggunakan cakupan dan tahun dasar yang berbeda, sehingga angkanya tidak boleh dirata-ratakan atau dibandingkan sebagai tren. Beberapa angka model fondasi berasal dari 2022 hingga 2023 (Whisper, USM, MMS, FLEURS) dan merupakan pengungkapan terbaru yang tersedia untuk model-model tersebut; Google belum mempublikasikan total data pelatihan yang sebanding untuk model audio Gemini-nya. Pangsa bahasa Inggris dalam data Whisper (sekitar 438.000 jam, 64%) adalah hasil pengurangan kami dari total yang dipublikasikan OpenAI, bukan angka yang dinyatakan OpenAI dalam abstraknya. Jumlah bahasa terancam punah dan sekarat dari Ethnologue 2025 berasal dari ringkasan publik edisi ke-28 karena basis data lengkapnya berbayar. Audit bias PNAS (2020) mendahului model fondasi saat ini dan ditampilkan sebagai data terbaru yang tersedia; belum ada audit lintas vendor berskala sebanding yang dipublikasikan sejak itu. Jumlah bahasa tidak dapat dibandingkan antarvendor: sebagian menghitung lokal, sebagian menghitung bahasa, dan cakupan ‘pratinjau’ bukan kualitas produksi.
Terakhir diperbarui: 3 Oktober 2026. Kami memperbarui rangkuman ini setiap kuartal, dan pembaruan berikutnya diperkirakan terjadi ketika Mozilla menerbitkan Common Voice 25.0 dan Ethnologue merilis edisi ke-30 pada Februari 2027.